緒論部分內容主要包含機器學習發展歷程的簡介，機器學習的大致介紹，以及專業術語的介紹。雖然並無具體的演算法介紹，但是對於正本書的理解大有幫助。
1. 機器學習的發展歷程：
現如今比較承認的機器學習（machine learning）的定義是：「不顯示程式設計地賦予計算機能力的研究領域」。（薩繆爾）關於機器學習的分類主要包含機械學習，示教學習，模擬學習，歸納學習。（《人工智慧手冊》）目前流行的研究領域主要是歸納學習。歸納學習也被科學家們稱作「從樣例中學習」。目前，歸納學習主要包含有：符號主義學習、連線主義學習、統計學習。其中符號主義學習主要是以決策樹和基於邏輯的學習，而連線主義和統計學習是以目前的熱門的神經網路和svm、核技術等為代表的學習方法。關於歸納學習到底應不應該進行這樣的劃分，未來機器學習的發展是否會將這些層面融合都是有意思的問題。
2. 機器學習中的術語簡介：
機器學習的理論基礎和線性代數有很大聯絡，介紹術語時必然會和線性代數有所聯絡。
2.1 資料集（data set）：乙個關於事件或物件的屬性值的集合，包含多個物件，且乙個物件包含多個屬性值，由此可以構成乙個二維矩陣。
2.2 屬性（attribute）或特徵（feature）：上述二維矩陣的一行可以代表一類事物的乙個屬性，比如西瓜的外皮顏色，敲聲（書中例子）
2.3 屬性值：乙個物件（樣本）的乙個屬性的取值，往往在矩陣中體現為第i行第j列的值
2.4 屬性空間（attribute space）或樣本空間（sample space）： 有多個屬性組成的多維空間，如例子中顏色和敲聲可以組成二維屬性空間,每個樣本都是空間中乙個確定的點
2.5 特徵向量（feature vector）每乙個樣本所有特徵值組成的（列）向量
2.6 維數（dimensionality）：特徵向量的維數
2.7 學習（learning）或訓練（training）： 執行演算法進行學習歸納
2.8 訓練資料（training data）和訓練樣本（training sample）和訓練集：訓練學習過程中使用的資料叫訓練資料，其中的每個樣本稱為訓練樣本，樣本組成的集合叫訓練集（ps：訓練資料和訓練集有什麼區別嘛......）
2.9 假設（hypothesis）和真相（ground truth）：資料集中真實存在的規律稱之為真相，學習得到的模型描述資料中規律稱之為假設。學習演算法的目的是使假設逼近真相。
3.0 標記（label）和標記空間（label space）： 在**模型中，樣例資料中含有的"結果"稱之為標記，比如**西瓜質量，好瓜壞瓜就是樣本資料的標記，，所有標記的集合稱之為標記空間
3.1 分類（classification）和回歸（regression）：在**模型中，**的值為離散型稱之為分類，連續性稱之為回歸。特別的，在離散型二分類中有正類反類的說法。
3.2 聚類（clustering）：將樣本資料集進行分組稱之為聚類，注意區分聚類與分類，關鍵在於是否用到標記，分類是乙個**模型，會用到標記，而聚類則不用。
3.3 監督學習（supervised learning）和無監督學習（unsupervised learning）：是否有標記資訊，分類回歸是監督學習代表，聚類為無監督學習的代表
3.4 泛化（generalization）能力：學習或訓練得到的模型能否很好的適應與整個樣本空間，簡單來說就是歸納學習得到的乙個「概念」，是否能進行很好的概括，能否很好適應新樣本資料。
3.5 假設空間：上文提到假設，假設空間就是假設的集合，比如我們通過顏色和敲聲來**西瓜好壞時，我們可以假設綠皮敲聲清脆或沉悶的瓜就是好瓜，當然我們也可以有其它假設，假設空間包含所有對於好瓜的假設。很多學習的演算法就是從假設空間中搜尋到合理的假設，得到歸納學習的模型。
3.6 版本空間（version space）： 在假設空間中會有很多假設與訓練集一致，這些假設集合稱之為版本空間。
3.7 歸納偏好：既然有多個版本那應該如何進行取捨，歸納偏好就是取捨的準則。
《機器學習》之 緒論
學習的定義 對於某類任務t和效能度量p,如果乙個電腦程式在t上以p衡量的效能隨著經驗e而自我完善，那麼我們稱這個電腦程式在從經驗e中學習。設計乙個學習系統 選取訓練經驗的型別，關鍵屬性是訓練經驗能否為系統的決策提供直接或間接的反饋 學習器可以在多大的程度上控制訓練樣例序列 訓練樣例的分布能多好地表示...
機器學習筆記之緒論
1.1引言 機器學習所研究的主要內容，是關於在計算機上從資料中產生 模型 model 的演算法，即 學習演算法 learning algorithm 1.2基本術語 資料集 data set 其中每條記錄是關於乙個事件或物件的描述，稱為乙個 示例 instance 或 樣本 sample 特徵向量 ...
機器學習入門之緒論
要進行機器學習，先要有資料，假定我們收集了一批關於西瓜的資料，例如 色澤 淺白 根蒂 蜷縮 敲聲 濁響 色澤 烏黑 根蒂 硬挺 敲聲 清脆 每對括號內是一條記錄，的意思是 取值為 這組記錄的集合稱為乙個資料集 data set 其中每條記錄是關於乙個事件或物件 這裡是乙個西瓜的描述 稱為乙個 示例 ...