LingKang的机器学习日记1- CCS229

CCS229 Lec1

machine learing history

机器学习的演进历史可以分为以下几个阶段：

1. 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。

2. 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。

3. 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。

4. 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