CCS229 Lec1
machine learing history
机器学习的演进历史可以分为以下几个阶段:
-
符号主义时代(1950年代-1980年代):在这个阶段,机器学习主要关注于符号逻辑推理和规则系统。早期的算法包括逻辑回归、朴素贝叶斯等,并且是基于人工定义的规则和知识进行训练和推理。
-
统计学派时代(1980年代-1990年代初期):随着统计建模方法的发展,统计机器学习成为主流。决策树、支持向量机(SVM)、神经网络等技术得到广泛应用。这些方法将数据建模为概率分布或数学函数,并利用优化算法来拟合参数或调整权重以最小化预测误差。
-
核心思想蓬勃发展时期(1990年代中期-2010年初):在这一阶段,机器学习开始引入更多领域的核心思想。例如,集成学习通过组合多个弱分类器来构建更强大的模型;聚类算法帮助发现数据之间的内在结构;降维技术提取高级特征表示等。
-
深度学习与大数据时代(2010年至今):近年来,随着计算能力的提升、大规模数据集的普及以及深度神经网络的发展,深度学习成为热门领域。深度学习通过多层次非线性变换和表示来实现高级抽象特征提取,并在图像识别、语音处理、自然语言处理等任务中取得了显著进展。
此外,在机器学习演进历史中还出现了许多重要的里程碑和技术突破,如强化学习、迁移学习、生成对抗网络(GANs)等。这些创新不断推动着机器学习领域的发展,并为解决各种复杂问题提供了更加强大和灵活的工具和方法。
category
课程涵盖以下四种学习相关算法
1.supervise learning
is to pretend, give x,y, 预测
2. deep learning
3. unsupervise learning
no label, no y
to find something special
4. reinforcement learning
Guiding learning through reward signals and feedback.
比如育犬,听话,gooddog,给点吃的。不听话,baddog,揍他。及时反馈引导