论文部分内容阅读
摘 要：近30年新兴着很多科研学科，机器学习作为其之一已经被广泛运用到现代的互联网网生活与信息生活。几期学习具体包括：计算科学、数理统计学、逻辑科学、信息控制理论、神经科学等等。现如今，机器学习也衍生出了很多分支，比如：机器人的智能控制、生物信息学、深度学习、数据挖掘、遥感信息安全、模式识别等等。目前机器学习已经取得了很大的进步，相信在未来的信息社会一定会取得更大的辉煌成就。
关键词：机器学习；数理统计；人工智能
人工智能领域发展最快的某个分支之一就是机器学习。其本质是运用计算机系统强大的数据与运算处理能力，并借助大量的数据训练，使得計算机能够有自发模拟人类学习行为，不断学习获取技能与知识，对自身性能不断进行改善，从而实现人工智能的一种思想。现如今互联网技术不断更新进步，当中表现最为明显的是信息爆炸现象。对于如今的社会互联网每天所产生的众多数字化数据，比如：数字化的网页浏览数据、数字化的微博数据、数字化的聊天记录等等。面对众多的数据，当今社会研究的热点问题之一也就是大数据（BigData）处理，因此，如何进行分析海量数据并且对于有价值的规律信息按照严格的数学定理进行提取，今后学科的发展中机器学习是占着很重要的位置。
1 机器学习的发展历史
1.1 机器学习“萌芽”阶段
机器学习技术研究在20世纪五、六十年代正处于“萌芽”阶段，人类尝试通过编程手段使其机器更具有逻辑推理能力。在这阶段是由H.Simon与A.Newell完成的代表性工作。具体工程包含着各种“逻辑”程序以及之后的“求解”程序等等。也由此H.Simon与A.Newell获得了1975年图灵奖。但是，进一步的研究证明只具有逻辑并不能使机器具有智能化，E.A.Feigenbaum 等人认为，必须具有先验“知识”这个前提才能使得智能存在。
1.2 机器学习“发展”阶段
被称为机器学习的“发展”阶段为20世纪七、八十年代。在该时期的主流是“专家系统”。被称为“知识工程”之父的E.A.Feigenbaum为此获得了1994年的图灵奖章。然而，所谓“专家系统”也要面临“知识困境”，也就是说近乎无限的信息人类是很难过自身思维提取规则并赋予计算设备。也要由此关于机器自主学习的设想浮出水面。在20世纪50年代机器学习就已经展开了，其主要研究是关于基于神经网络的训练学习方面。多种学习技术在20世纪六七十年代层出不穷，比如：基于决策理论的强化学习技术以及统计学习技术等等，其代表作品有：“学习机器”与“跳棋程序”等等，这样符号学习技术与统计学习理论也就开始萌芽。其中有不少顶尖专家著作的书籍都产生很大的影响，比如：1983年，Tioga出版社出版了R.S.Michalski|J.G.Carbonell和T.M.Mitchell等顶尖专家联合主编的图书教材《机器学习：一种人工智能途径》面世，该著作系统的总结和阐述当时多年机器学习领域的研究工作，引领了学术方向，深深地影响着机器学习的发展。
1.3 机器学习“繁荣”阶段
在20世纪80年代到现今，作为一门独立的学科领域并开始爆发式发展的机器学习，不断涌现各种机器学习技术，呈现多样化的机器学习算法。机器学习研究开始进入“繁荣”阶段，该时期机器学习研究划分为“观察发现学习”、“实例学习”、“指令学习”、“求解规划学习”等很多范畴。而E.A.Feigenbaum等专家所合著的《人工智能手册》中，是从另一个角度把机器学习技术重新分为四大范畴：“类比学习”、“机械学习”、“示教学习”、“归纳学习”4种。到现如今，机器学习已经演化了很多分支，比如：模式识别、数据挖掘、语音识别等等。在信息处理特别是互联网海量数据的分析处理中广泛运用着大量机器学习算法。
2 机器学习的发展趋势
从如今研究的发展趋势看，机器学习在未来有几个热点的研究方向，如下：
（1）在人类本身出发找出关于大脑自身生物学习机制，并经过过严格数学化应用于机器学习。
（2）不断对学习算法进行优化发展和改良在已有的人工智能方法的基础上，并且同时对新的研究算法展开开发工作。
（3）让众多的机器学习算法在“象牙塔”走出来，建立实用的机器学习的算法应用系统，尤其是开展多种学习方法集成化的研究在互联网方面。
（4）同步协调使用多种机器学习算法，利用多种算法是优势规避其中的不足，学习系统性能不断得以改善。
3 结语
现如今的人工智能系统与计算机系统从其实现原理上和硬件结构不具备自主学习能力，至多也只是具有非常低级的“被动”学习能力，因此不能满足生产与科技提出的新要求。对机器学习进行比较系统化的方向把握和讨论，对于今后进行相应的科研工作和学习研究机器学习的知识有着方向性引导作用。学习机器学习本质就是将控研究机器学习算法的内在数学原理、建立通过数据训练使其现今的计算机系统具有提高自身和不断学习的能力水平。近年来机器学习理论在许多领域比如：互联网、天气预报、军事等取得很多成功，这也是现今计算机科学的基础研究热点之一。
参考文献
[1]郑南宁.认知过程的信息处理和新型人工智能系统[J].中国基础科学，2000，（8）：9-18.
[2]第31届机器学习国际会议（英文）[J].智能系统学报，2014，（1）：85.
（作者单位：上海中和软件有限公司）
关键词：机器学习；数理统计；人工智能
人工智能领域发展最快的某个分支之一就是机器学习。其本质是运用计算机系统强大的数据与运算处理能力，并借助大量的数据训练，使得計算机能够有自发模拟人类学习行为，不断学习获取技能与知识，对自身性能不断进行改善，从而实现人工智能的一种思想。现如今互联网技术不断更新进步，当中表现最为明显的是信息爆炸现象。对于如今的社会互联网每天所产生的众多数字化数据，比如：数字化的网页浏览数据、数字化的微博数据、数字化的聊天记录等等。面对众多的数据，当今社会研究的热点问题之一也就是大数据（BigData）处理，因此，如何进行分析海量数据并且对于有价值的规律信息按照严格的数学定理进行提取，今后学科的发展中机器学习是占着很重要的位置。
1 机器学习的发展历史
1.1 机器学习“萌芽”阶段
机器学习技术研究在20世纪五、六十年代正处于“萌芽”阶段，人类尝试通过编程手段使其机器更具有逻辑推理能力。在这阶段是由H.Simon与A.Newell完成的代表性工作。具体工程包含着各种“逻辑”程序以及之后的“求解”程序等等。也由此H.Simon与A.Newell获得了1975年图灵奖。但是，进一步的研究证明只具有逻辑并不能使机器具有智能化，E.A.Feigenbaum 等人认为，必须具有先验“知识”这个前提才能使得智能存在。
1.2 机器学习“发展”阶段
被称为机器学习的“发展”阶段为20世纪七、八十年代。在该时期的主流是“专家系统”。被称为“知识工程”之父的E.A.Feigenbaum为此获得了1994年的图灵奖章。然而，所谓“专家系统”也要面临“知识困境”，也就是说近乎无限的信息人类是很难过自身思维提取规则并赋予计算设备。也要由此关于机器自主学习的设想浮出水面。在20世纪50年代机器学习就已经展开了，其主要研究是关于基于神经网络的训练学习方面。多种学习技术在20世纪六七十年代层出不穷，比如：基于决策理论的强化学习技术以及统计学习技术等等，其代表作品有：“学习机器”与“跳棋程序”等等，这样符号学习技术与统计学习理论也就开始萌芽。其中有不少顶尖专家著作的书籍都产生很大的影响，比如：1983年，Tioga出版社出版了R.S.Michalski|J.G.Carbonell和T.M.Mitchell等顶尖专家联合主编的图书教材《机器学习：一种人工智能途径》面世，该著作系统的总结和阐述当时多年机器学习领域的研究工作，引领了学术方向，深深地影响着机器学习的发展。
1.3 机器学习“繁荣”阶段
在20世纪80年代到现今，作为一门独立的学科领域并开始爆发式发展的机器学习，不断涌现各种机器学习技术，呈现多样化的机器学习算法。机器学习研究开始进入“繁荣”阶段，该时期机器学习研究划分为“观察发现学习”、“实例学习”、“指令学习”、“求解规划学习”等很多范畴。而E.A.Feigenbaum等专家所合著的《人工智能手册》中，是从另一个角度把机器学习技术重新分为四大范畴：“类比学习”、“机械学习”、“示教学习”、“归纳学习”4种。到现如今，机器学习已经演化了很多分支，比如：模式识别、数据挖掘、语音识别等等。在信息处理特别是互联网海量数据的分析处理中广泛运用着大量机器学习算法。
2 机器学习的发展趋势
从如今研究的发展趋势看，机器学习在未来有几个热点的研究方向，如下：
（1）在人类本身出发找出关于大脑自身生物学习机制，并经过过严格数学化应用于机器学习。
（2）不断对学习算法进行优化发展和改良在已有的人工智能方法的基础上，并且同时对新的研究算法展开开发工作。
（3）让众多的机器学习算法在“象牙塔”走出来，建立实用的机器学习的算法应用系统，尤其是开展多种学习方法集成化的研究在互联网方面。
（4）同步协调使用多种机器学习算法，利用多种算法是优势规避其中的不足，学习系统性能不断得以改善。
3 结语
现如今的人工智能系统与计算机系统从其实现原理上和硬件结构不具备自主学习能力，至多也只是具有非常低级的“被动”学习能力，因此不能满足生产与科技提出的新要求。对机器学习进行比较系统化的方向把握和讨论，对于今后进行相应的科研工作和学习研究机器学习的知识有着方向性引导作用。学习机器学习本质就是将控研究机器学习算法的内在数学原理、建立通过数据训练使其现今的计算机系统具有提高自身和不断学习的能力水平。近年来机器学习理论在许多领域比如：互联网、天气预报、军事等取得很多成功，这也是现今计算机科学的基础研究热点之一。
参考文献
[1]郑南宁.认知过程的信息处理和新型人工智能系统[J].中国基础科学，2000，（8）：9-18.
[2]第31届机器学习国际会议（英文）[J].智能系统学报，2014，（1）：85.
（作者单位：上海中和软件有限公司）