1.频率模型和贝叶斯模型
频率模型和贝叶斯模型从两个视角来看待概率，前者认为参数是固定的数据是随机的，后者刚好反过来。
2.p3-4针对机器学习可以解决的问题以及可以学习的问题进行了阐述
3.p5
模型的选择
根据数据分布的不同：参数模型和非参数模型（区别是全局适用和局部适用）
根据模型构建的不同：数学模型和算法模型（区别是精度和可解释性）
根据学习对象的不同：生成模型和判别模型（区别是联合分布和条件分布）
4.p6
原则
无免费的午餐：具体问题具体模型
奥姆剃刀：相同性能尽量简单
模型过于简单会造成偏差大，欠拟合，过于复杂方差大过拟合
5.模型的验证
验证和测试的不同在于前者为了超参数后者为了确定参数的优劣。
6.模型评估
有precision recall roc曲线
