机器学习是人工智能的核心研究领域之一
任何一个没有学习能力的系统都很难被认为是一个真正的智能系统
经典定义:利用经验改善系统自身的性能
随着该领域的发展,主要做智能数据分析
并已成为智能数据分析技术的源泉之一
典型任务:预测(例如:天气预报)
主要范式的发展:
80年代中叶以前:符号主义,代表:ILP
受到传统人工智能研究的深刻影响,以逻辑推理为基础
80年代中叶至90年代初:连接主义,代表:NN
对传统人工智能的批评:“看上去漂亮,但解决不了实际问题”
对上述批评,AI的不同分支学科实际上都做出了自己的回应,ML的回应是连接主义受到重视
NN并不漂亮(至少在理论体系上远远没有ILP那么漂亮),但解决了很多实际问题
90年代中叶至今:统计学习,代表:SVM
NN虽然解决了不少问题,但解决问题时的“试错性”引来了“trick”的批评
作为回应,统计学习开始占据支配地位。虽然SVM仍然有“试错性”,但毕竟在理论基础上比NN漂亮得多(实际上,统计学习与连接主义一脉相承)
现在:?
统计学习并不是万能的,有很多问题不能解决(或不能很好地解决),例如结构化数据的学习
作为回应,以逻辑为基础的符号主义与统计学习的结合开始受到重视
作为支持和服务技术的“普适机器学习”带来了挑战和机遇:
出现了很多被传统ML研究忽视、但非常重要且尚无好的解决方案的问题(下面将以医疗和金融为代表来举几个例子)
ML支持和服务的学科领域越多,新问题越多
ML与众多学科领域产生了交叉,而交叉领域正是大有可为处
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !