1.2 基础术语：
数据集： data set
示例： instance/sample
属性/特征：attribute/feature
属性值： attribute value
属性空间： attribute space
样本空间： sample space
特征向量： feature vector（所有 属性/特征 为坐标轴张成的向量空间，每个样本的属性值对应的空间向量称为“特征向量”）
样本空间和维数：
训练数据： training data/ training instance， 训练样本： training sample， 训练集： training set
假设：hypothesis
真相/真实： ground-truth
学习器： learner
预测： prediction
标记： label
标记空间/输出空间： label space
样例： example（拥有标记的示例）
测试：testing，测试样本： testing sample
簇：cluster
泛化能力： generalization（学的的模型适用于新样本）
样本分布： distribution
独立同分布： independent and identically distribution（i.i.d.）
归纳：induction，归纳学习：inductive learning， 演绎： deduction
泛化：generalization， 特化：specialization
版本空间：version space
分类问题：classification（预测结果是离散的）
1. 二分类：binary classification（只涉及两个类别）， 正类：positive class， 反类：negative class
2. 多分了： multi-class classification（涉及多个分类）
回归问题： regression（预测结果是连续值）
聚类问题：clustering（将数据分成若干组/簇）
监督学习：supervised learning（训练数据有标记）- 分类， 回归
无监督学习：unsupervised learning（训练数据无标记) - 聚类
1.3 假设空间：
1.4 归纳偏好：
练习题
1.1 （色泽=*，根蒂= 蜷缩，声音 = *）（色泽= *, 根蒂= *，声音= 浊响）（色泽=清绿，根蒂= 蜷缩，声音 = 浊响）（色泽=清绿，根蒂= 蜷缩，声音 = *）（色泽=清绿，根蒂= *，声音 = 浊响）（色泽=清绿，根蒂= *，声音 = *）（色泽=*，根蒂= 蜷缩，声音 = 浊响）
1.2 这题有点牛逼，直接上网上找到的答案吧：https://blog.csdn.net/icefire_tyh/article/details/52065626
1.3 1. 丢掉矛盾的数据 2. 或者将矛盾的数据先剔除，先学习没有矛盾的数据，然后在用学得的模型预测矛盾的数据，再将矛盾的数据放回数据集进行学习
1.4
1.5 广告推送，汗
