01绪论
（1）机器学习基本分类：
- 监督学习（有标签）
- 半监督学习（部分标签，找数据结构）
- 无监督学习（无标签，找数据结构）
- 强化学习（不断交互，根据反馈调整策略）
（2）机器学习根据预测任务不同的分类：
- 分类问题
- 回归问题
- 标注问题
（3）相关名词：
- 输入空间：所有可能输入值的集合；
- 输出空间：所有可能输出值的集合；
- 实例：个体
- 特征向量：用于表示样本；
- 特征空间：特征向量存在的空间；
- 训练数据：用于训练模型；
- 测试数据：用于测试模型对未知数据的作用；
- 样本：具体的输入实例；
- 假设空间：所有可能的模型集合；
（4）机器学习按模型分类：
- 概率（朴素贝叶斯模型）与非概率模型（SVM)
- 线性（线性回归模型）与非线性模型（神经网络模型）
- 参数化（线性回归模型）与非参数化模型（核函数估计）
javascript
// An highlighted block
在机器学习中，"输入空间"是指所有可能输入值的集合，"输出空间"则是所有可能输出值的集合。每一个具体的输入实例被称为一个"样本"，并由特征向量来表示。这些特征向量存在的空间称为"特征空间"。训练数据和测试数据都是样本的集合，用于训练和评估模型的性能。其中，训练数据用于训练模型，而测试数据用于测试模型对未知数据的预测能力。
此外，"假设空间"是机器学习中的另一个关键概念，它指的是所有可能模型的集合，包括模型的结构、参数等所有可以改变的部分。在监督学习中，我们会从假设空间中选取最优模型，使其能够最好地拟合训练数据*