1. 早期(上世纪50-60年代)
这一时期是机器学习的萌芽期。一些早期工作如感知器提出了机器学习的初步思想。但受限于理论和计算能力,没有太多实际应用。主要贡献是定义了机器学习框架与目标。
机器学习的早期阶段主要是在20世纪50-60年代,这一时期的特点是理论框架的初步建立。主要进展包括:
- 感知器模型
1958年,罗森布拉特提出了感知器(Perceptron)模型,这是模拟人脑神经网络进行学习的早期尝试之一,对后来的神经网络发展具有启发性。
- 最优化理论
在这一时期统计学家也在研究损失函数最小化问题,奠定了机器学习中的优化理论基础。
- 统计学习基础
一些统计学家也开始研究判别模型,为统计学习理论的后续发展奠定了基础。
4.算法提出
像最近邻算法等一些还在现代广泛使用的机器学习算法雏形也在这一时期提出。
5.核心问题识别
这一时期的研究人员也意识到了过拟合等问题的存在,以及对大量标记数据的需求,提出了很多核心问题。
6.应用探索
也有一些早期尝试将这些算法应用于模式识别等实际问题中。
尽管由于理论不成熟和计算能力限制,这一时期机器学习还停留在早期探索阶段,但已经奠定了进一步快速发展的基础,对后来的机器学习影响深远。这一时期的贡献主要在于对机器学习框架与理论的初步建立。
2. 兴起期(80年代)
这一时期机器学习理论框架初步建立,提出了一些重要模型与算法。例如线性回归,决策树,隐马尔可夫模型等。机器学习开始应用于语音识别与分类等实际问题,兴起于人工智能研究中。
好的,我来进一步扩充一下机器学习的兴起期:
机器学习的兴起期主要是在1980年代,具有代表性的进展包括:
-
回归分析模型
统计学家提出了更加完善的线性回归和非线性回归模型,奠定了回归分析在机器学习中的地位。 -
决策树算法
决策树模型是这一时期重要的成果之一,能够进行规则提取和非线性建模,在分类任务中广泛应用。 -
神经网络复兴
基于先前的感知器研究,采用链式法则和反向传播算法训练多层神经网络成为可能,神经网络开始实际应用。 -
聚类分析算法
像K-means等聚类算法也在这一时期发展,能对无标签数据进行非监督学习,解决聚类问题。 -
理论框架发展
统计学习理论、VC维理论等机器学习理论框架在这一时期进一步完善,奠定了理论基础。 -
实际应用案例
语音识别、专家系统等领域开始应用机器学习算法解决实际问题,特别是神经网络的成功应用,使其进入快速发展期。
这一时期机器学习向实用化发展是其重要特点,一些核心算法也在此时期提出,使其应用范围不断扩大。可以说机器学习在这一时期获得了较快发展,开始有广泛的实际应用。
3. 发展期(90年代后期)
支持向量机等新的机器学习算法的提出,使其性能大幅提升。统计学习理论的发展也使机器学习方法更加稳健。计算能力的增强也促进其应用,这一时期机器学习得到长足发展。
4. 繁荣期(21世纪10年代以后)
大数据与深度学习的兴起使机器学习进入快速发展期。大数据提供海量训练样本,GPU提升计算能力,深层神经网络模型显著提高机器学习性能。机器学习广泛应用于计算机视觉、自然语言处理等领域,进入繁荣时期。