AI学习笔记（1）——基本术语和相关解释

1.数据集(data set)：整个数据的集合。
2.示例(instance)或样本(sample)：数据集中的每条记录，有时也用来代指整个数据集。
3.属性(attribute)或特征(feature)：如“色泽”、“根蒂”、“敲声”。
4.属性值(attribute value)：如“浅白”、“硬挺”、“清脆”。
5.属性空间(attribute space)、样本空间(sample space)或输入空间：属性张成的空间（作为坐标轴）。
6.特征向量(feature vector)：每个示例在属性空间中的表示。
7.维数(dimensionality)：属性的个数。
8.学习(learning)或训练(training)：从数据中学得模型的过程。
9.训练数据(training data)：训练过程中使用的数据。
10.训练样本(training sample)：训练数据中的每一个样本。
11.训练集(training set)：训练样本组成的集合。（那和训练数据有什么区别呢？）
12.假设(hypothesis)：即模型，因为其也对应了关于数据的某种潜在的规律。
13.真相或真实(ground-truth)：这种潜在的规律自身。
14.学习器(learner)：模型的另一种叫法，可看做学习算法在给定数据和参数空间上的实例化。
15.标记(label)：关于示例结果的信息，例如“好瓜”。
16.样例(example)：拥有标记信息的示例。（若将标记看做对象本身的一部分，则有时也称为样本）
17.标记空间(label space)或输出空间：所有标记的集合。
18.分类(classification)：以划分类别为目的的学习任务，即欲预测的是离散值。
19.回归(regression)：以求值为目的的学习任务，即欲预测的是连续值。
20.二分类(binary classification)：只涉及两个类别的分类学习任务。
21.正类(positive class)和反类(negative class)或负类：二分类任务中的两个类别。
22.多分类(multi-class classification)：涉及多个类别的分类任务。
23.测试(testing)：学得模型后，使用其进行预测的过程。
24.测试样本(testing sample)或测试示例(testing instance)或示例：被预测的样本。
25.聚类(clustering)：将训练集中的样本分为若干组。
26.簇(cluster)：聚类分成的每一组。否则标记信息直接形成了簇划分。
27.监督学习(supervised learning)或有导师学习：主要代表为分类和回归。
29.无监督学习(unsupervised learning)或无导师学习：主要代表是聚类。
30.未见示例(unseen instance)：没有在训练集中出现的样本。
31.泛化(generalization)：学得模型适用于新样本的能力。
32.分布(distribution)和独立同分布(independent and identically distributed，简称i.i.d）