在Bishop book , page 4, section 1.1 中，有一个符号我似乎不明白它的含义。本节开始的整个段落是：

我们首先介绍一个简单的回归问题，我们将在本章中将其用作一个运行示例来激发一些关键概念。假设我们观察到一个实值输入变量 x，并且我们希望使用这个观察来预测一个实值目标变量 t 的值。就目前的目的而言，考虑使用合成生成的数据的人工示例是有启发性的，因为这样我们就知道生成数据以与任何学习模型进行比较的精确过程。此示例的数据是从函数 sin(2πx) 生成的，其中包含在目标值中的随机噪声，如附录 A 中详细描述的那样。现在假设给定一个训练集，其中包含对 x 的 N 个观察值，记为$x \equiv (x_1, . . . , x_N)^T$，连同对 t 值的相应观察，表示为$t \equiv (t_1, . . . , t_N)^T$. 图 1.2 显示了包含 N = 10 个数据点的训练集的图。图 1.2 中的输入数据集 x 是通过选择 xn 的值生成的，对于 n = 1，。. . , N, 在 [0, 1] 范围内均匀分布，目标数据集 t 是通过首先计算函数 1.1 的对应值得到的。示例：多项式曲线拟合 5 sin(2πx)，然后将具有高斯分布（高斯分布在第 1.2.4 节中讨论）的少量随机噪声添加到每个这样的点，以获得相应的值 tn。通过以这种方式生成数据，我们捕获了许多真实数据集的一个属性，即它们具有我们希望学习的潜在规律性，但是单个观察结果会被随机噪声破坏。这种噪声可能来自本质上的随机性（即

我不清楚符号 在这里可能意味着什么，尤其是所谓的变量 T。我猜这意味着它是一组输入向量及其对应的一组目标向量 (t)。如果我是对的，那么这是监督学习的一个例子吗？不过，T是什么？$x \equiv (x_1, . . . , x_N)^T$