模型(model)：泛指从数据中学得的结果。
训练数据(training data)：训练过程中使用的数据。
训练样本(training sample)：训练数据中的每个样本。
训练集(training set)：训练样本组成的集合。
假设(hypothesis)：学得模型对应了关于数据的某种潜在的规律。
真相/真实(ground-truth)：这种潜在规律的自身。
假设空间：所有假设组成的空间。
归纳偏好：学习算法自身在一个可能很庞大的假设空间中对假设进行选择的启发式或”价值观“。
若欲测的是离散值，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{(x1,y1),(x2,y2),(x3,y3),…,(xm,ym)}进行学习，建立一个从输入空间X到输出空间Y的映射f：X->Y
学习过程看作一个在所有假设(hypothesis)组成的空间中进行搜索的过程，搜索目标就是找到与训练集“匹配”(fit)的假设，既能够将训练集中的瓜判断正确的假设。