就当背单词了 😄
基本术语
机器学习（machine learning） 的目标是通过 学习\训练算法（learning\training algorithm）获得数据的 模型（model） ,这个模型对应了数据的某种规则因此也叫假设（hypothesis）。
模型用于预测（prediction）数据，其适用于新数据的能力叫泛化（generalization）能力 。
获得模型的过程是一个归纳过程，也称为归纳学习（inductive learning）。
学习过程可以看做一个在所有假设组成的空间中搜索一个匹配（fit） 训练集的假设，但由于训练集有限，往往会获得多个匹配的假设，这个假设集合称为版本空间（version space） 。为了获得“最好”的假设，需要对某类型的假设有所偏好，称为归纳偏好（inductive bias） 。
数据的集合称为数据集（data set） ，可以分为训练集（training set）、测试集（testing set）、交叉验证集（cross validation set）。
数据集中每一条记录称为 示例（instance）或 样本（sample） 。
如果记录中含有指示结果的 标签、标记（label） ，那这个样本称为 样例（example） 。
每一个事项称为属性（attribute）或 特征（feature） ，其数量称为样本的维数（dimensionality） 。
所有属性形成的多维空间称为属性空间（attribute space） 或 样本空间（sample space） 或 输入空间 。
所有标签的集合称为标记空间（label space） 或 输出空间 。
在这个空间中每个样本都有自己的坐标，和原点组成一个坐标向量，称为特征向量（feature vector） 。
根据是否有标记信息，机器学习可以分为有标记的监督学习（supervised learning）和无标记的无监督学习（unsupervised learning）。监督学习有分类、回归。非监督学习有聚类（clustering）。
根据预测值的类型，机器学习可以分为离散值的分类（classification）任务和连续值的回归（regression）任务
分类问题又可以分为二分类（binary classification） 和 多分类（multi-class classification） 。
epoch batch step iteration
epoch： 表示过了一遍训练集。
batch： batch-size 每次迭代所用的样本数。
step，iteration： 迭代的次数。
比如现在有1000个样本。我决定要对整个样本训练10次（epoch=10），然后每次分为10次小的训练（step=10，因为当数据量很大时无法一下子训练所有的数据），所以这每次小训练要处理100个样本（batch-size）。
需要注意的是一个epoch并不意味着要完全遍历完所有的样本，当样本十分大时，可以只对一部分样本进行采样。
拓展术语
奥卡姆剃刀（Occam’s razor） ： 若有多个假设和观察一致，则选择最简单的那个。
没有免费的午餐 NFL（No Free Lunch Theorem）定理 ：在所有问题出现的机会相同、或所有问题同等重要的情况下， 所有的算法，它们的期望性能都是相同的 ！！ 因此脱离具体问题空谈什么算法更好毫无意义，算法优劣必须针对具体的问题。
随时补充~