01绪论

（1）机器学习基本分类：

1. 监督学习（有标签）
2. 半监督学习（部分标签，找数据结构）
3. 无监督学习（无标签，找数据结构）
4. 强化学习（不断交互，根据反馈调整策略）

（2）机器学习根据预测任务不同的分类：

1. 分类问题
2. 回归问题
3. 标注问题

（3）相关名词：

1. 输入空间：所有可能输入值的集合；
2. 输出空间：所有可能输出值的集合；
3. 实例：个体
4. 特征向量：用于表示样本；
5. 特征空间：特征向量存在的空间；
6. 训练数据：用于训练模型；
7. 测试数据：用于测试模型对未知数据的作用；
8. 样本：具体的输入实例；
9. 假设空间：所有可能的模型集合；

（4）机器学习按模型分类：

1. 概率（朴素贝叶斯模型）与非概率模型（SVM)
2. 线性（线性回归模型）与非线性模型（神经网络模型）
3. 参数化（线性回归模型）与非参数化模型（核函数估计）

// An highlighted block
在机器学习中，"输入空间"是指所有可能输入值的集合，"输出空间"则是所有可能输出值的集合。每一个具体的输入实例被称为一个"样本"，并由特征向量来表示。这些特征向量存在的空间称为"特征空间"。训练数据和测试数据都是样本的集合，用于训练和评估模型的性能。其中，训练数据用于训练模型，而测试数据用于测试模型对未知数据的预测能力。
此外，"假设空间"是机器学习中的另一个关键概念，它指的是所有可能模型的集合，包括模型的结构、参数等所有可以改变的部分。在监督学习中，我们会从假设空间中选取最优模型，使其能够最好地拟合训练数据*