カバーが良く見えるので、私はこの本が大好きです。PS：計画教科書にフォーカス！Jingdongは本物の販売は〜、一定の根拠が必要です
1.1はじめに
机器学习：例如我们人吃过，看过很多西瓜，
所以基于色泽。根蒂，敲声这几个特征我们就可以做出相当好的判断。
1.2関連用語
挑几个重要的说一下 所有的术语类似一种抽象 其他的自己理解一下
从数据中学得模型的过程称为”学习“（learning）或”训练“（training），这个过程通过执行某个学习算法来完成。
训练过程中使用的数据称为“训练数据”（tarining data），其中每一个样本称为一个“训练样本”（tarining sample），训练样本组成的集合称为“训练集”（training set）。
学得模型对应了关于数据的某种潜在规律，因此亦称为“假设”（hypothesis）；
这种潜在规律自身，则称为“真相”或“真实”（ground-truth），学习过程就是为了找出或逼近真相。
有时将模型称为“学习器”（learner），可看作学习算法在给定数据和参数空间上的实例化。
1.3仮説スペース
归纳（induction）与演绎（deduction）是科学推理的两个大基本手段。前者是从特殊到一半的泛化（generalization）过程，即从具体的事实归结出一半性规律；后者则是从一般到特殊的“特化”（specialization）过程，即从基础原理推演出具体状况。
归纳学习有狭义和广义之分，广义的归纳学习大体相当于从样例中学习，而狭义的归纳学习则要求从训练数据中学得概念（concept），因此亦称为“概念学习“或”概念形成“。
概念学习中最基础的是布尔概念学习，即对“是”“不是”这样的可表示为0/1布尔值的目标概念的学习。
我们可以把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，搜索目标是找到与训练集“匹配”的假设，即能够将训练集中的瓜判断正确的假设。假设的表示一旦确定，假设空间及其规模大小就确定了。
以下は、スイカの仮説スペースの問題：
一般から特定のオペレーティング仮説スペース、この仮説の探索空間のための多くの戦略があるかもしれない、例えば、トップダウン、あるいはボトムアップ、特定から一般へ、検索処理は、削除し、正例一貫性のない仮定、および（または）と仮説と一致負例にに続けることができます。最終的には、訓練を受けます（つまり、すべての訓練サンプルを正しく裁判官可能）仮説と一致し、これは、我々は結果を知ることです。本当の問題は、我々は多くの場合、仮説空間の多くを直面することに留意すべきであるが、学習プロセスは、トレーニングセットの限定されたサンプルに基づいて行われ、そのため、トレーニングセットの存在と一致しているトレーニングセットと一致複数の仮説があるかもしれません私たちは「宇宙版」（バージョン空間）を呼び出した「コレクションを想定」。例えば、スイカ問題、以下に示すように図のスペースのバージョンに対応したトレーニングセットと1.1
、
1.4誘導嗜好
特定の学習アルゴリズムのために、モデルを生成する必要があります。今回は、学習アルゴリズム自体は「好み」重要な役割を果たします。例えば、場合「特別として」モデルのような私たちのアルゴリズムは、それが「良いメロンを< - >（=色を選択します）∧（椎弓根=カール）∧（声大声でノック音=）」;しかし、私たちの場合モデル「通常通り」のようなアルゴリズム、および何らかの理由でそれがより多くの「信じる」、茎、それは「良いメロンを選択しますです< - >（=色）∧（椎弓根=カール）∧（ノック音= * ）。 " 「誘導優先」または単に「好み」として知られている仮説の特定のタイプのための学習プロセスの優先して機械学習アルゴリズム、
この図では、複数の曲線は、限られたトレーニングセットの存在と一致します。
誘導好みは学習アルゴリズム自体は選択ヒューリスティックやで仮定上の非常に大きな仮説空間であってもよいと考えることができる「値。」さて、「右」好み、それを確立するためのアルゴリズムを案内するという一般的な原則は存在しませんか？「オッカムの剃刀は、」一般的な、という基本原理で自然科学の研究である「は、2つ以上の観測は仮説と一致している場合は、最も簡単なを選択します。」
実際には、加算された好みは自身が作った「種類のモデルの何より良い」学習アルゴリズムに関する仮定に対応しています。特定の実世界の問題では、この仮定は、誘導優先アルゴリズムは問題自体一致していることを満足している、ほとんどの時間は、直接アルゴリズムが優れた性能を達成することができます決定します。
モデルに基づくと仮定するξa学習アルゴリズムは、曲線Aに対応する要約プリファレンスを生成、生成された嗜好モデルに対応する別の誘導曲線Bに基づいξb学習アルゴリズム
の1.5開発
機械学習は、特定のステージにAI研究開発の必然的な結果であります実際には、チューリングテストについて1950年の記事でチューリング、機械学習の可能性に言及していました。
機械学習は今、かなり大きな面積に発展しました。
1.6アプリケーションのステータス
今日は、コンピュータサイエンスの多くの支店では、それは、マルチメディア、グラフィックス、またはネットワーク通信、ソフトウェア工学だけでなく、アーキテクチャ、チップ設計であるかどうか、機械学習技術の図に見つけることができます。
機械学習はまた、学際の数のための重要な技術サポートを提供します。
1.7講読
外文资料库有很多机器学习相关论文和期刊（不推荐中文数据库），感兴趣的读者都可以阅读掌握。
