1.机器学习/深度学习是由数据驱动的。
2.什么叫数据集？数据集就是用来训练模型的数据集合。
3.数据集由什么组成?数据集由样本组成。
4.样本由什么组成？特征和标签。一个样本只有一个label,可以有多个feature。
5.什么叫特征？样本的属性。
6.什么是标签？样本的分类。
7.什么是训练？从数据中学习得到模型的过程。
8.什么是模型？从数据中学习得到的全局性结果。
9.什么是模式？从数据中学习得到的局部性结果。
10.什么是假设（Hypothesis）?通过训练得到的模型关于数据的潜在客观规律。
11.什么是真实（Ground Truth）？数据的客观规律。
12.什么是测试？测试是整个训练过程的一部分，使用数据集中的一部分作为测试数据来评估模型的性能。
13.什么是泛化？模型适用于新样本（所谓新样本就是数据集中没有出现的样本）的能力。
14.什么是样本空间？由样本的属性构成的空间。
15.什么是标记空间？由样本和标签构成的空间。
16.什么是监督学习（Supervised Learning）？在模型的训练过程中需要使用标签。
17.什么是无监督学习（UnSupervised Learning）?在模型的训练过程中不需要使用标签。
18.机器学习的三大任务？监督学习(分类（Classification），回归（Regession）)，无监督学习（聚类（Clustering））
19.什么是分类任务？分类的目标是通过学习找到客观规律，将此客观规律用于新样本的分类。特征：标签是离散的。标签不能用方程式表示。
20.什么是回归？标签是连续的（可以用方程式表示）。回归可以用来预测。
21.什么是聚类？聚类是不用标签的。聚类是按照数据的一定分布规律，将数据分成若干组。聚类有一定的随机性。
22.什么是样本的特征向量？由样本的所有特征的坐标在样本空间内组成的向量。（向量的内容：就是坐标）
23.为什么要使用特征向量？在欧几里得几何空间内，需要用特征向量来计算数据之间的距离。
离散：散点。
连续：一条线。