《机器学习》序言

符号学习和统计学习的发展前景？

符号学习：基础学习方式，类比于人的大脑对概念，语法，语句结构等进行直接的学习。
统计机器学习：利用大量的统计数据进行学习，构造出对应的模型，得到比较好的参数和结构。
虽然统计机器学习如今是机器学习的主流，但是符号学习作为一种更加基本的机器学习方式，是否会出现两者“三十年河东三十年河西”的情况？更甚者人们会转向对于更加基础的理论知识的学习？

寻找能摆脱“独立同分布”束缚的模型？

统计机器学习的一个重要前提就是统计数据服从独立同分布，但是现实中的数据并不都服从独立同分布。

新方法是否真的代表新方向？

硬件的发展提供了新的解决犯法，但是这些解决方法的理论创新并不足。例如深度学习算法，主要还是依托于传统的神经网络，在理论上的改良创新能力显得十分单薄。

难道只有统计方法适用于机器学习？

数学上存在许许多多的方法，但是统计以绝对的优势压倒了其他的数学犯法，是否能在这方面有所突破。

离散和连续问题难以合并？

符号学习主要针对离散问题，统计学习则偏重连续问题，但是两者之间真的存在难以逾越的鸿沟吗？是否有一种统一的方式能处理两种该问题？

大数据时代到底带来了什么？

大量的数据更加有利于统计方法的实现，但是，从前数据时代到大数据时代，数理统计的方法是否发生了实质性的变革？有没有驱动于当前大数据时代而产生的方法呢？