基本的概念有：
训练集，测试集，特征值，标签，监督学习，非监督学习，半监督学习，分类，回归
（1）训练集（trainning set）
用来进行训练，产生模型或者算法的数据集合（data）
（2）测试集（testing set）
用来专门测试已经训练好的模型或者算法的数据集合
（3）特征向量（特征值 features）
属性的集合，通常用一个向量来表示，附属于每一个实例之上。举个例子，我们如何判断一个西瓜的好坏？当然是通过西瓜的一些特征去判断：瓜的拍打声音，瓜的颜色，瓜的根蒂形状等。而这些西瓜的特征的具体的值就组合成一个个的特征向量，这一点我个人感觉和面向对象的编程思想可以对应上，用java语言来描述，瓜是一个类，瓜的拍打声音、颜色、根蒂形状都可以作为一个这个类的属性，在代码中就是一个个的字段，而具体的某一个瓜则可以类似的看成一个特征向量。
（4）标签（lables）
实例类别的一个标记，还是上面的选瓜的例子，挑选的瓜的好与坏，这两种结果，就可以当做两个标签来看。而从特征到标签的映射过程，就是机器的
训练过程。这里还涉及到另外两个定义，一个是正例，一个是反例，很好理解，也就是一件事情的两面性，对的错的，好的坏的等。
（5）监督学习
在监督学习的过程中，训练集都是有标记的
（6）非监督学习
在非监督学习中，训练集是没有标记的，比如给的训练集中，没有对应的实例的结果
（7）半监督学习
在半监督学习中，训练集中，有的实例是有标记的，有的实例是没有标记的
（8）分类
即训练集中，实例对应的标记，不是数值型的，而是别的类型的数据，比如说布尔类型的等等。
（9）回归
在训练集当中，实例对应的标记是数字型的，连续的数字型标记。
一张图理解机器学习的过程：
