在人工智能的学习中，打好基础的关键是理解核心基本术语，本文将围绕人工智能机器学习方向的基础术语展开详细讲解，帮助大家构建清晰的概念体系，所有术语讲解均结合「好瓜 / 坏瓜」的经典案例，更易理解。
一、模型与模式
这两个概念是从数据中学得结果的不同表述，核心区别在于结果的范围属性：
- 模型：从数据中学得的全局性结果，例如一棵决策树、一个神经网络模型等，是对整体数据规律的综合提炼。
- 模式：从数据中学得的局部性结果，例如一条分类规则（如 “色泽青绿且根蒂蜷缩的瓜是好瓜”），是针对局部数据特征的总结。
二、数据集与样本相关
这组术语描述了人工智能学习的数据基础，是后续所有学习和训练的前提，各概念层层关联：
数据集：记录数据的集合，是数据的整体载体，例如包含多个瓜的色泽、根蒂、敲声及好坏标签的所有数据汇总。
样本（示例 /instance）：关于一个事件或对象描述的每条记录，即数据集中的单条数据，例如某一个瓜的色泽、根蒂、敲声信息。
特征（属性 /attribute）：反映事件或者对象在某方面的表现或者性质的事项，是样本的组成维度，例如瓜的色泽、根蒂、敲声都是特征。
属性值：属性上的具体取值，例如色泽的 “青绿”“乌黑”“浅白”，根蒂的 “蜷缩”“硬挺”“稍蜷”。
属性空间（样本空间 / 输入空间）：由所有属性张成的空间，每个属性代表一个维度，样本可在该空间中找到对应位置。
特征向量：一个示例的另一种表述，将样本的各属性值按顺序组合成向量，每个示例在样本空间中对应一个坐标向量，例如（青绿，蜷缩，浊响）就是一个特征向量。
三、学习与训练相关
这组术语描述了从数据到模型的过程，是机器学习的核心环节，明确了过程中的各类要素定义：
学习（训练）：从数据中学得模型的整个过程，是人工智能从数据中提取规律的核心动作。
训练数据：训练过程中所使用的全部数据，是模型学习的 “原材料”。
训练样本：训练数据中的每一个样本，是模型学习的基本单位。
训练集：由所有训练样本组成的集合，即训练数据的集合形式。
假设：学得模型所对应的关于数据的某种潜在规律，是模型对数据规律的拟合结果。
真相（ground truth）：数据本身客观存在的潜在规律，是模型学习的终极目标。
学习器：实现学习过程的算法 / 工具载体，是学习行为的执行主体。核心逻辑：学习过程的本质，就是让学习器通过训练集从训练数据中学习，找出数据的真相或尽可能逼近真相。
四、标记与样例相关
这组术语围绕样本的结果信息展开，是区分有标签 / 无标签数据的关键，也是监督学习的核心要素：
标记（Label）：关于示例结果的信息，是样本的 “结果标签”，例如瓜的 “好瓜”“坏瓜”、瓜的成熟度 0.95。
样例（example）：拥有标记信息的示例，是 “特征 + 标记” 的组合体，例如（（色泽 = 青绿；根蒂 = 蜷缩；敲声 = 浊响），好瓜）。
标记空间（输出空间）：所有标记的集合，是模型预测结果的取值范围，例如 {好瓜，坏瓜}、[0,1] 的成熟度区间。
五、预测任务分类
根据模型预测结果的类型，可将机器学习的预测任务分为分类和回归两大类，这是机器学习的核心任务划分方式：
分类（classification）：预测的结果为离散值的任务，核心是 “类别判断”。
- 示例：判断瓜是 “好瓜” 还是 “坏瓜”、判断邮件是 “垃圾邮件” 还是 “正常邮件”。
- 细分：二分类（仅有两个类别，如好瓜 / 坏瓜，其中一个为正类，另一个为反类）、多分类（两个以上类别，如判断水果是苹果 / 香蕉 / 橙子）。
回归（regression）：预测的结果为连续值的任务，核心是 “数值预测”。
- 示例：预测瓜的成熟度（0.95、0.37）、预测房屋的价格、预测气温。
六、测试相关
这组术语描述了模型学成后的验证与使用过程，是检验模型效果的关键环节：
测试：学得模型之后，使用该模型对新数据进行预测的过程，核心目的是验证模型的预测能力。
测试样本：测试过程中被预测的样本，即模型需要给出预测结果的新样本，例如（浅白，蜷缩，浊响，？）就是一个待预测的测试样本。
未见样本（unseen instance）：模型在训练过程中未接触过的样本，测试样本本质上就是未见样本。
七、模型性能与数据分布
这组术语描述了模型的核心能力和数据的基本假设，是评价模型优劣的关键，也是机器学习的基础前提：
泛化能力（generalization）：学得模型适用于新样本（未见样本） 的能力，是模型的核心评价指标。
- 核心出发点：机器学习的目标不是让模型仅在训练样本上表现良好，而是能在从未接触过的新样本上做出准确预测，泛化能力越强，模型的实用性越高。
独立同分布（i.i.d.）：机器学习的基本数据假设，即训练样本和测试样本都独立地从同一个数据分布中采样得到。只有满足该假设，模型的泛化能力才有实际意义。
未知 “分布”：数据客观存在的真实分布是未知的，模型学习的过程就是通过样本去拟合这个未知分布，从而实现对新样本的预测。
八、核心学习范式
根据数据是否带有标记信息，可将机器学习分为两大核心学习范式，是机器学习的重要分类方式：
监督学习（supervised learning）：使用带有标记信息的样例进行训练的学习方式，分类、回归是典型的监督学习任务，例如用 “好瓜 / 坏瓜” 的样例训练模型判断瓜的好坏。
无监督学习（unsupervised learning）：使用无标记信息的样本进行训练的学习方式，核心是发现数据的内在规律，例如聚类（将相似的瓜归为一类）、降维。
九、核心术语汇总
为方便大家快速查阅和记忆，将本文所有核心术语整理如下：
数据基础
数据集、样本（示例 /instance）、特征（属性 /attribute）、属性值、属性空间（样本空间 / 输入空间）、特征向量
过程与要素
学习（训练）、训练数据、训练样本、训练集、假设、真相（ground truth）、学习器、标记（Label）、样例（example）、标记空间（输出空间）
任务与测试
分类、回归、二分类、多分类、正类、反类、测试、测试样本、未见样本（unseen instance）
性能与分布
泛化能力（generalization）、独立同分布（i.i.d.）、未知 “分布”
学习范式
监督学习（supervised learning）、无监督学习（unsupervised learning）
以上就是人工智能机器学习方向绪论中的核心基本术语，掌握这些术语是后续学习各类算法、模型的基础，后续会基于这些基础概念，进一步讲解各类机器学习算法的原理和应用。
