来来来~我们开始啦！！！
第一章，以简单的知识点为主，一两个小时即可过一遍。
小编选择以简单浏览为主，看不懂的无需太过在意，跳过即可，重要的知识点后面还会再提到的，看多了自然就明白咯~
整体评价：
简单、以概念为主
知识点：
machine learning：机器学习
Mitchell1997年给出了一个更形式化的定义：
假设用P，来评估计算机程序在某任务类T上的性能，若一个程序，通过利用经验E，在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习。
术语
- data set：数据集，所有观测值的集合
- instance/sample：示例或样本，观测值
- attribute/feature：属性或特征，即维度
- dimensionality：维数，维度的数量
- training data：训练集
- testing data：测试集
- label：标记 ，即Y
- feature selection：特征选择
有监督学习和无监督学习
- supervised learning：有监督学习（有明确答案），代表为binary/multi-class classification二分类/多分类，regression回归
- unsupervised learning：无监督学习（无明确答案），代表为clustering聚类
模型评估
- 拟合能力，对training data训练集的考察，避免过拟合和欠拟合
- generalization：泛化能力，对testing data测试集的考察，机器学习目标是使学得的模型能更好地适用于“新样本”，而不只是在训练集上做的好
归纳和演绎
induction：归纳，从特殊到一般的“泛化”generalization过程，形成概念
deduction：演绎，从一般到特殊的“特化”specialization过程，从基本原理/概念推演出具体情况
奥卡姆剃刀-Occam's razor
简单有效原理：简单有效、可证伪的更好
如无必要，勿增实体
