以下来自Understanding Machine Learning: Theory to Algorithm教科书：

PAC 可学习性的定义：假设类$\mathcal H$如果存在函数，PAC 是可学习的$m_H : (0, 1)^2 \rightarrow \mathbb{N}$以及具有以下属性的学习算法：对于每个$\epsilon, \delta \in (0, 1)$, 对于每个分布$D$超过$X$，并且对于每个标签函数$f : X \rightarrow \{0,1\}$, 如果关于可实现的假设成立$\mathcal H,D,f$然后在运行学习算法时$m \ge m_H(\epsilon,\delta)$ iid 示例由$D$并由$f$，算法返回一个假设$h$这样，至少有概率$1 - \delta$（超过示例的选择），$L_{(D,f)}(h) \le \epsilon$.

1）在函数定义中$m_H : (0, 1)^2 \rightarrow \mathbb{N}$; a) 括号中的 0 和 1，b) 整数 2，和 c) 是什么意思$\rightarrow \mathbb{N}$参考？