第一章
常用概念
数据集：(色泽=青绿;根蒂=蜷缩;敲声=浊响)
(色泽=乌黑;根蒂:稍蜷;敲声=沉闷)
(色泽=浅自;根蒂t硬挺;敲声=清脆)，……
示例 = 样本 = 特征向量
示例+标记 = 样例，
属性 = 特征 ，例如色泽、根蒂、敲声
学习 = 训练
iid=independent and identically distributed 独立同分布
归纳：从特殊 到 一般，泛化的过程
演绎：从一般 到 特殊，特化的过程
归纳偏好：什么样的模型更好
谈论算法的相对优劣，必须要针对具体的学习问题，脱离具体问题空谈，毫无意义
符号主义学习---能产生明确的概念
连接主义学习---产生的是“黑箱”模型
连接主义学习的最大局限是其【试错性】，其学习过程涉及大量参数，而参数的设置缺乏理论指导，主要靠手工调参，夸张一点说，参数调节上失之毫厘，学习结果可能谬以千里。
连接主义学习的局限性，促使目光转向统计学习技术
而数据量变大、计算力变强，使连接主义又卷土重来
第二章
