在我们日常生活中，我们有时候会根据自己的生活经验，对即将发生的事进行预估。当我们有了足够多的经验，我们就可以对一些情况做出有效的决策。比如说“朝霞不出门 晚霞行千里”，就是根据我们生活的经验而得出的。机器学习，我的理解是根据所得到的经验与反馈，去训练出不同的模型，适用于不同的场景。就比如西瓜书中，传入不同的西瓜特征，以及是否是好瓜，让我们通过在这些特征去训练出一个模型，当遇见一个新的西瓜时，我们可以通过这个模型去预测是否是好瓜。
基础术语在机器学习中数据集非常重要，有了数据集我们才可以训练模型。
首先就是数据集包括哪些东西，数据集是由许多不同的样本集合构成的，每一条数据也称为“示例（instance）”或者“样本(sample)”。
而样本是对象在某方面的表现或者特征的事项，例如一个西瓜中的“色泽”“跟蒂”“敲声”都可以将其称为“属性(attribute)”或者“特征(feature)”。
在属性中，比如一个西瓜色泽中的“青绿”“乌黑”，都可以将其称为属性值。属性张成的空间成为“属性空间”“样本空间”或者“输入空间”。
例如，将西瓜的“色泽”“跟蒂”“敲声”作为三个坐标轴，张成一个用于描述西瓜的样本空间，每个西瓜都可以在里面找到自己的位置。在空间中每个点都对应着一个坐标向量，因此也可以将其称为“特征向量(feature vector)”。
维数：在数据集D中，如果说有m个例示数据集由d个属性,每个示例则是样本空间的一个向量，d也被称为是样本的维数。
在训练过程中使用的数据被称为“训练数据(training data)”,其中每一个样本被称为“训练样本(training sample)”，训练样本组合组成的集合称为"训练集"(training set)。在机器不断学习的过程中就是为了找出或接近真相，可以将学习成为”学习器"(learner)。.
要建立这样的关于“预测” （prediction） 的模型，我们需获得训练样本的“结果”信息，例 如 “（（色泽= 青绿;根蒂= 蜷缩;敲声=浊响），好瓜）”. 这里关于示例结果的信息，例 如 “好瓜”，称 为 “标记" （label）; 拥有了标记信息的示例，则 称 为 “样例" （example）。
如果预测是离散值，例 如 “好瓜” “坏瓜”，此类学习任务称为“分 类 " (classification); 若欲预测的是连续值，例如西瓜成熟度 0.95 、0.37,此 类 学 习 任 务 称 为 “回归” (regression)。
预测任务是希望通过对训练集 、 进行学习，建立一个从输入空间X到输出空间 y 的映射。
在建立模型之后使用其进行预测的过程称为“测试” (testing), 被预测的样本称为 “测试样本” (testing sample）。
还可以把训练集中西瓜划分为若干组，每组称为一个“簇” (cluster)， 这些自动形成的簇可能对应一些潜在的概念划分，这样的学习过程有助于我们了解数据内在的规律。
根据训练数据是否拥有标记信息，学习任务可大致划分为两大类：“监督学习“ (supervised learning) 和 “无监督学习" (unsupervised learning), 分类和回归是前者的代表,而聚类则是后者的代表。
我们也希望学得的簇划分能适用于没在训练集中出现的样本。学得模型适用于新样本的能力，称 为 “泛 化 " (generalization) 能力.具有强泛化能力的模型能很好地适用于整个样本空间。
假设空间布尔学习概念这是概念学习中最基本的，即对“是”“不是”这样的可表示为0/1布尔值得目标概念的学习。
在这里我们用布尔表达式写出是布尔表达式：“好 瓜 ↔ ( 色 泽 = ? ) ⋀ ( 根 蒂 = ? ) ⋀ ( 敲 声 = ? )
我们会发现在第一行中，代表的就是好瓜，是我们已经见过的一个好瓜，我们要通过”泛化“来对没有见过的瓜进行判断。
加入色泽有“青绿” “乌黑” “浅白”这三种可能取值;我们还需考虑到，也 许 “色泽”无论取什么值都合适，我们用通配符 *来 表 示 ,例 如 “好瓜 ↔ （色泽= *） ⋀ （根蒂= 蜷缩） ⋀ （敲声= 浊响）”，即 “好瓜是根蒂蜷缩、敲声浊响的瓜，什么色泽都行”等其他情况。
上图中仅仅显示了一部分可能性，我们还可以有很多方式对这个假设空间进行搜索，在搜索过程中可以不断矫正与正例不一样的假设，最终获得与训练集一致的假设。
