- 在设计和分析从示例中学习的算法时，会出现几个基本问题：
- 哪些内容可以有效地学习？
- 哪些内容本质上难以学习？
- 成功学习需要多少示例？
- 是否存在一种通用的学习模型？
- 在本章中，我们通过引入可能的近似正确（PAC）学习框架， 开始形式化并解决这些问题。
- PAC框架有助于定义可学习概念类，
- 这些概念类取决于
- 达到近似解决方案所需的样本点数量，即样本复杂性
- 学习算法的时间和空间复杂性
- 这取决于概念的计算表示成本。
- 首先描述PAC框架并加以说明
- 然后在这个框架内，当使用的假设集是有限的时候，介绍一些一般性的学习保证，既适用于假设集包含要学习的概念的一致情况
- 也适用于相反的不一致情况。