这是本人学习《机器学习》的笔记【周志华著】
第一章 绪论
一、基本术语
（1）分类与回归的区别：分类【classification】的预测值是离散的，回归【regression】的预测值是连续的；其中分类又有二分类和多分类之分；分类和回归是监督学习的代表；
（2）聚类是无监督学习的代表；
（3）通常来讲，现实世界的特定问题可以看做一个巨大的样本空间，这个样本服从未知的分布D，我们从这个样本空间中独立地获取样本，即“独立且同分布”；我们要做的就是要从我们获取的样本中训练模型，并且最大限度使得这个模型能够“泛化”到整个样本空间；
二、假设空间
（1）归纳和演绎是科学推理的两种基本的手段，机器学习是一个归纳的过程。归纳包含广义和狭义之分，广义的归纳大体上相当于样本学习，我们现在的机器学习实际上就是广义的归纳；狭义的归纳是“概念学习”，是从训练数据中总结出概念【基本上相当于从样本中总结出规律，上升为一个概念】，这种归纳现在研究、应用都比较少；
（2）假设空间：学习的过程可以看做在假设空间中进行搜索的过程； 理解起来就是：现实的问题是有规律可言的，我们的模型包含成千上万的参数来模拟这样的现实问题，这个所有参数每一个取值构成的组合，就是假设空间，我们要做的就是要在这样的假设空间中搜索这样的一组假设，使它最接近于真是（ground-truth）
三、归纳偏好
（1）归纳偏好指机器学习算法在学习的过程中对于某种类型假设的偏好（这里是考虑到会有不止一个模型会较好地拟合训练数据，这样，在做出选择的时候所表现出的偏好）
（2）奥卡姆剃须刀原理：若有多个假设与观察一致，则选择最简单的那一个；【即便是这个原理，在面对具体的问题可能会有多种诠释】
（3）一个算法A，在一个问题上表现比算法B好，必然存在另一个问题，算法B表现比A好
（4）没有免费午餐定理（No Free Lunch Theorem,NFL）：这个定理说明，所有学习算法的期望性能和瞎猜差不多；这个定理的前提是所有问题同等重要、所有问题出现的几率相同；但是现实生活中，我们可能只是关心特定的问题，所以我们能够找到一个算法能够针对某一个问题表现比较好；
（5）NFL定理最重要的是：具体问题具体分析，不能脱离实际问题空谈什么样的算法比较好；学习算法自身的归纳偏好要与具体问题相匹配；
四、发展历程
（1）从样本中学习，是从八十年代开始的，最初是符号主义盛行（深度学习，即连接主义不是主流，但是已经出现），符号主义主要包括决策树（decision tree）和基于逻辑的学习；
（2）90年代兴起统计学习，主要代表是支持向量机（SVM）和核方法
（3）21世纪初，由于计算力和数据量的大幅提升，连接主义以深度学习为名，再次兴起。
