摘记：
概念学习 是指从有关某个布尔函数的输入输出训练样例中推断出该布尔函数；
从特殊的训练样例中归纳出 一般函数 是机器学习的中心问题；
机器学习的目标是 寻找一个假设 h ，使对于 X 中的所有 x，h(x) = c(x) ；
如果没有更多信息，我们只能假定，对于未知实例 最好的假设 就是与训练数据 最佳拟合 的假设；
-
Hypothesis h is a conjunction of constraints on attributes: 以 实例的各属性约束的组合 来表示假设
如果某些实例x满足假设h的所有约束，那么h将x分类为正例(h(x)=1)
-
实例集第i个属性的可取值个数为, 该属性可取值为，分类标注（类别）数为，则：
实例总数（distinct instances）：其中，属性
;
概念总数（distinct concepts）：
;
语法不同的假设（syntactically distinct hypotheses）：<img src=http://latex.codecogs.com/gif.latex?\prod%20(n_{i}+2) />;
语义不同的假设（semantically distinct hypotheses）：<img src=http://latex.codecogs.com/gif.latex?1+\prod%20(n_{i}+1) />;
- 假设的一般到特殊序：
