昨日阅读1小时，累积阅读211小时

昨日阅读0.5小时，累计阅读380小时

今日阅读2小时，累积阅读350小时

昨日阅读2小时，累计143 h
通过学习，可以做预测：给定一辆我们以前从未见过的汽车，检查学习得到的描述。（是否为家用汽车）
             还可以做知识提取：这种研究可能由汽车公司赞助，目的可以是了解人们对家用汽车的期望

经过与该领域专家的一些沟通，假定我们得到了一个结论：在我们所掌握的汽车的所有特征中，区别家用汽车与其他汽车的特征是价格和发动机功率。
这两个属性就是类识别器的输入（input）。当我们决定采用这种特殊输入表示（input representaion）时，我们忽略了其他属性，将其看作是不相关的。尽管有人可能认为诸如座位数量、车身颜色等属性对于辨别车型也很重要，这里简单起见，只考虑价格和发动机功率。

假设价格为第一个输入属性x1，发动机功率为第二个输入属性x2
那么每辆汽车可以用两个数值来表示：  x = [ x1, x2]
它的标号表示汽车的类型     r = 1   (如果x是正例）   0 （如果x是负例）
每辆汽车用一个这种有序对（x, r）来表示，而训练集中包括N个这样的实例
x = { x t, r t} t = 1 - N
t，用于标记训练集中的各个汽车实例，不表示时间或任何类似的序

现在可以将训练数据绘制在二维空间(x1, x2）上，其中每个实例t就是一个数据点，其类型（即正、负例）有r t给定。
进一步与专家讨论和分析数据，有理由相信，对于家用汽车，其价格和发动机功率应当是在某个确定的范围内：
（p1<=价格<=p2） AND （ e1 <= 发动机功率 <= e2）
这里p1/p2/e1/e2为适当值，这样，假定类C是价格-发动机功率空间中的矩形。

所以，上式确定了假设类（hypothesis class）即矩形的集合，C是从中抽取的。
学习算法应当找到一个特定的假设

昨日阅读5小时，累积阅读105小时

昨日阅读2小时，累计阅读1161小时。

昨日阅读1小时，累计阅读18.5小时。

我来评论一下