机器学习（Machine Learning）是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。
基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测

绪论

二：基本术语

数据

----西瓜举例
数据集 —100个西瓜
样本----1个西瓜
特征向量—1.样本空间
2.颜色、大小、敲起来的振幅
3、维度
属性—甜度

算法

得到模型

有监督学习

分类：二分类 : 仅两种选择，是-否，对-错
：多分类 ：Y大于2，有多种选择
回归：Y=R实数集，在一段连续的区间内，判断哪个合适

无监督学习

聚类：我们不知道分成几类，机器自己分
：每组称为“簇”cluster

进行预测

测试
测试样本
泛化能力

三：假设空间

科学推理手段：1归纳：特殊到一搬：x+狭义-从训练数据中得到概念:a :bool概念：是或不是
：b:假设多种情况
：y+广义–从样本中学习

				2：演绎：一般到特殊

四：归纳偏好

同一个数据集训练出来了不同的类型，如何选择模型

二：模型评估与选择

一种训练集一种算法

经验误差与过拟合
1、
评估方法
1、泛化能力：模型对没有见过的数据的预测能力

性能度量
“奥克姆剃刀”准则

如无必要，勿增实体
若多个假设与经验观测一致，则选择最简单的那个
其它原则
“多释原则”: