Abstract

因为一些需要，既包括学习上的也包括工作上的，需要用到机器学习的相关内容，而以前也只是看看而已，并没有深入了解机器学习的实现即使我知道它很重要，但是现在不得不学学了，再说之前我也很想学学了，所以就有了这个将一步一步带我走入ML的博客，我希望把他记录下来，以方便后人的学习，比较，在我寻找资料的过程中，我发现了大量的学习资料都过于学术，忽略了学习本身的过程，并且，一上来就使用框架，我不喜欢这样，那么，就看看我能学到什么程度吧

Introduce to ML(Machine Learning)

大家都知道机器学习是什么，可是对机器学习并没有一个宏观上的理解，一上来就看公式是非常打击人的，所以我推荐的是，先从宏观上认识机器学习的实现本身，这里我推荐的是这位UP主的视频，非常有意义
https://www.bilibili.com/video/BV1FP411j7oW/
观看这样的视频只是第一步，它会给我们带来机器学习宏观上的理解，接下来还是需要更深一步的系统性学习，我选择的是这个github项目
https://github.com/microsoft/ML-For-Beginners
微软推出的用于初学者的机器学习教程，提供了包含视频、ppt、文档、作业的大项目

History Of ML

1950年，二战结束不久，图灵提出了机器是否能像人一样思考的问题，推荐观看一部电影《模拟游戏》，电影名是图灵的一篇论文
https://redirect.cs.umbc.edu/courses/471/papers/turing.pdf
其介绍了包括图灵测试在内的一系列关于计算机的概念，这部电影还是很值得看的，论文不适合初学者，除非拥有较好的英文功底和数学功底
到了1956年，（AI）Aritificial Intelligence的概念被Dartmouth summer research proj提出，这个可以看作是一个项目组吧
1966年，一个叫shakey的机器人被造了出来，它功能很简单，可以说出 Hello，I Am ELIZA，从这个时候开始，NLP(Natural Language Processing)开始了发展
但是到了1974年，AI的发展进入了寒冬，到了19世纪80年代，人们意识到了构造一个AI的难度有多离谱，并且计算机的算力有多捉急，主要有以下几点

• Limitation 算力太低

• Combinatorial explosion 需要用来训练模型的参数越来越多，并且以指数级增长，但是计算机的算力和储存能力却没能同步增长

• Paucity of data 缺少训练用的数据，那个时候的计算机还没有普及，甚至可以说开始发展还不久，并且，网络还远远没开始它的发展，因此，此时非常缺少训练集

• Are we asking the right questions? 人们开始质疑之前提出的那些问题，包括如下几个

• 图灵测试是正确的吗？计算机所产生的智能并不是正常的智能

• 如果真的造出来了AI，那么AI在社会上是被道德法律认可的吗？

并且，在AI寒冬的时候，很多的AI学派开始形成，主流的有两个，scruffy和neat AI
到了1980年，随着计算机的发展，它的商业价值开始显现，Expert System开始了井喷式的发展，这个系统是一个半智能化的系统，它根据项目需求，针对性地设计算法，从而实现对预先数据地学习并对未来做出推断，同时，这个时代，越来越多的人也将目光投入到了神经网络上

1993年到2011年，随着计算机硬件的发展和网络的发展，人们已经解决了之前计算机算力不足和数据不足的问题，已经到了AI的新时代，后面的故事我们也知道了，AlphaGo战胜了李世石，短视频时代的智能算法推荐，AI画画等等等等

Homework

https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/4/

原文始发于微信公众号（衡阳信安）：机器学习之ML