机器学习是人工智能研究发展到一定阶段的必然产物。
20世纪50年代-20世纪70年代初:
人工智能研究处于推理期。
人们以为只要能赋予机器逻辑推理能力,机器就能具有智能。
但是人们逐渐意识到光有逻辑推理能力不够用。
20世纪70年代:
人工智能研究进入知识期。
要使机器具有智能,就必须设法使机器拥有知识。
但是事实上人总结知识然后教给计算机太过于困难。
20世纪80年代:
从样例中学习:
1983年将机器学习划分为:“机械学习”,“示教学习”,“类比学习”,“归纳学习”。
“机械学习”即把外界输入的信息全部记录下来,在需要时原封不动的取出使用;
“示教学习和类比学习”从指令中学习,通过观察和发现学习。
归纳学习从样例中学习,即从训练样例中归纳出学习结果。其涵盖监督学习、无监督学习等,至今为主流机器学习思想。
20世纪90年代中期之前:
“从样例中学习”的另一个主流技术是基于神经网络的连接主义学习。
1986年著名的BP算法产生了深远的影响。
20世纪90年代中期:
“统计学习” 闪亮登场。代表性技术是支持向量机SVM。
21世纪初:
连接主义卷土重来,深度学习以其多层神经网络,在复杂的对象的应用中取得优越的性能。
深度学习技术设计的模型复杂度非常高,以至于只要下功夫去调参,参数调节好往往性能就是好。因此深度学习虽然缺乏严格的理论基础,但是显著降低了机器学习应用者的门槛。
深度学习热门的原因:
1)数据大了:
深度学习模型具有大量参数,若数据样本少,容易产生“过拟合”;
2)计算能力强了:
强大的计算设备,使得跑一个数据集不需要几月了。