Task01:机器学习的三大主要任务

1.机器学习历史

接触可挺久的机器学习了，这次有机会重头开始学习机器学习，感觉机器学习的发展史需要再梳理一下了

机器学习阶段	年份	主要成果	代表人物
人工智能起源	1936	自动机模型理论	阿兰•图灵（Alan Turing）
	1943	MP模型	沃伦•麦卡洛克（Warren McCulloch）、沃特•皮茨（Walter Pitts）
	1951	符号演算	冯• 诺依曼（John von Neumann）
	1950	逻辑主义	克劳德•香农（Claude Shannon）
	1956	人工智能	约翰•麦卡锡（John McCarthy）、马文•明斯基（Marvin Minsky )、 克劳德•香农（Claude Shannon）
人工智能初期	1958	LISP	约翰•麦卡锡（John McCarthy）
	1962	感知器收敛理论	弗兰克•罗森布拉特（Frank Rosenblatt）
	1972	通用问题求解（GPS）	艾伦•纽厄尔（Allen Newell）、赫伯特•西蒙（Herbert Simon）
	1975	框架知识表示	马文•明斯基（Marvin Minsky）
进化计算	1965	进化策略	英格•雷森博格（Ingo Rechenberg )
	1975	遗传算法	约翰•亨利•霍兰德（John Henry Holland）
	1992	基因计算	约翰•柯扎（John Koza）
专家系统和知识工程	1965	模糊逻辑、模糊集	拉特飞•扎德（Lotfi Zadeh）
	1969	DENDRA、MYCIN	费根鲍姆（Feigenbaum )、布坎南（Buchanan )、莱德伯格（Lederberg）
	1979	ROSPECTOR	杜达（Duda）
神经网络	1982	Hopfield 网络	霍普菲尔德（Hopfield）
	1982	自组织网络	图沃•科霍宁（Teuvo Kohonen）
	1986	BP算法	鲁姆哈特（Rumelhart）、麦克利兰（McClelland）
	1989	卷积神经网络	乐康（LeCun）
	1998	LeNet	乐康（LeCun）
	1997	循环神经网络RNN	塞普•霍普里特（Sepp Hochreiter）、尤尔根•施密德胡伯（Jurgen Schmidhuber）
分类算法	1986	决策树ID3算法	罗斯•昆兰（Ross Quinlan）
	1988	Boosting 算法	弗罗因德（Freund）、米迦勒•卡恩斯（Michael Kearns）
	1993	C4.5算法	罗斯•昆兰（Ross Quinlan）
	1995	AdaBoost 算法	弗罗因德（Freund）、罗伯特•夏普（Robert Schapire）
	1995	支持向量机	科林纳•科尔特斯（Corinna Cortes）、万普尼克（Vapnik）
	2001	随机森林	里奥•布雷曼（Leo Breiman）、阿黛勒• 卡特勒（Adele Cutler )
深度学习	2006	深度信念网络	杰弗里•希尔顿（Geoffrey Hinton）
	2012	谷歌大脑	吴恩达（Andrew Ng）
	2014	生成对抗网络GAN	伊恩•古德费洛（Ian Goodfellow）

2.机器学习的分类

机器学习根据所处理数据种类的不同，可以分为有监督学习，无监督学习，半监督学习和强化学习等几种类型。

监督学习，就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。在人对事物的认识中，我们从孩子开始就被大人们教授这是鸟啊、那是猪啊、那是房子啊，等等。我们所见到的景物就是输入数据，而大人们对这些景物的判断结果（是房子还是鸟啊）就是相应的输出。当我们见识多了以后，脑子里就慢慢地得到了一些泛化的模型，这就是训练得到的那个（或者那些）函数，从而不需要大人在旁边指点的时候，我们也能分辨的出来哪些是房子，哪些是鸟。监督学习里典型的例子就是KNN、SVM。

无监督学习（也有人叫非监督学习，反正都差不多）则是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。这听起来似乎有点不可思议，但是在我们自身认识世界的过程中很多处都用到了无监督学习。比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别（比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类）。无监督学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。

 

参考链接：

https://www.zhihu.com/question/33892253

https://www.cnblogs.com/wangshicheng/p/10691457.html