文章目录
- 1 引言
- 2 机器学习发展的三个阶段
-
- 2.1 萌芽期(20世纪50年代)
-
- 2.1.1 达特茅斯会议(人工智能诞生)
- 2.1.2 机器学习名称的由来
- 2.2 知识期(20世纪80年代)
-
- 2.2.1 知识瓶颈问题
- 2.2.2 机器学习顶级会议ICML
- 2.2.3 Machine Learning创刊
- 2.2.4 神经网络规则抽取
- 2.3 算法期(20世纪90年代后)
-
- 2.3.1 UCI聚焦于分类的监督学习
- 2.3.2 PAC改变了学习结果的评估方法
- 3 数据+算法+算力
-
- 3.1 数据不用费力采
- 3.2 算力的快速提升
- 3.3 只需要研究算法
- 4 参考附录
1 引言
今天，人们把“数据+算法+算力”当成驱动人工智能发展的三驾马车，本文试着探讨这种模式的由来。
回顾机器学习发展历史的动机，主要是从中吸取教训：
一是为了警示我们注意那些本质不能做的事情，以避免重复历史上已经发生过的错误；
二是关注那些前人研究中的某些动机，它们的失败可能是受到技术条件的限制而不可行，但是，在新的技术条件下可能获得新生。
由于深度学习的成功，今天机器学习(甚至是人工智能)的历史文章和书籍中，有关神经网络的内容往往占据了大量篇幅，这让人们很难发现机器学习发展的轨迹。
本文沿着机器学习三个拐点的思路，把机器学习的发展分为三个阶段。
拐点一：PAC学习理论
拐点二：UCI机器学习数据库
拐点三：ImageNet数据集
机器学习发展到今天，许多人已经开始迷信“算法”了，以为算法可以解决一切问题。但其实，算法的成功，“数据+算力”功不可没，
