机器学习的可行性

霍夫丁不等式：
当样本N足够大时，μ和v相差很大的可能性很小。（需要合适的N和误差，N越大，μ和v接近的几率越大；且不需要知道μ）

证明了可由小样本的v推出μ。

用D检验h，即x是否与f相同（监督式学习x还会有标签y）

流程

从罐子中取样，得到一个概率P（g与f相同的概率），有两个用途：1.产生资料D（有x，y），2.来验证从H抽出的g是否接近f
E（in）：抽出的弹珠；E（out）：罐子里的弹珠
因此，通过已知的资料验证g是否接近f，即E（in）可推出未知的E（out）

在有选择时，会增大E（in）和E（out）相差很大的概率
Bad Date：E（in）很小，但E（out）很大，如硬币连续五次反面

因此，选出E（in）最小的作为g

总结