一、概念形式化

輸入：x

輸出：y

目標函式：F：x → y

資料：(x₁, y₁), (x₂, y₂), …, (x_N, y_N)

假設函式：g：x → y

假設集：H={h}，   G∈H

（假設集有助於理解是否用這個演算法及用這個演算法之後效果怎樣。）

（F函式是未知的，是機器學習的一個目標，運用資料和例子來做出假設，得到G函式。G值和F值是很接近的，但F是未知的，G是已知的。最終是希望G無限接近於F）

二、簡單的機器學習過程

       解決機器學習問題的兩個組成成分：

       1、假設集H

       2、學習演算法

       以上兩者相結合，就組成了一個機器學習的模型（感知器學習模型）。

     機器學習的目的是找到一個最好的學習方法，這個方法可以最小化目標函式（類似於誤差函式）。學習演算法和假設集是我們學習的工具。 最終假設是要得到的結果。

三、機器學習的本質

1、存在一個模式\模型——例如：一個人評價電影的方法

2、不能用數學來確定它——無法寫出某些數或多項式來評價它

3、有資料——從資料入手進行研究