接觸可挺久的機器學習了，這次有機會重頭開始學習機器學習，感覺機器學習的發展史需要再梳理一下了
機器學習階段
年份主要成果
代表人物
人工智慧起源
1936
自動機模型理論
阿蘭•圖靈（alan turing）
1943
mp模型
沃倫•麥卡洛克（warren mcculloch）、沃特•皮茨（walter pitts）
1951
符號演算
馮• 諾依曼（john von neumann）
1950
邏輯主義
克勞德•夏農（claude shannon）
1956
人工智慧
約翰•麥卡錫（john mccarthy）、馬文•明斯基（marvin minsky )、 克勞德•夏農（claude shannon）
人工智慧初期
1958
lisp
約翰•麥卡錫（john mccarthy）
1962
感知器收斂理論
弗蘭克•羅森布拉特（frank rosenblatt）
1972
通用問題求解（gps）
艾倫•紐厄爾（allen newell）、赫伯特•西蒙（herbert simon）
1975
框架知識表示
馬文•明斯基（marvin minsky）
進化計算
1965
進化策略
英格•雷森博格（ingo rechenberg )
1975
遺傳演算法
約翰•亨利•霍蘭德（john henry holland）
1992
基因計算
約翰•柯扎（john koza）
專家系統和知識工程
1965
模糊邏輯、模糊集
拉特飛•扎德（lotfi zadeh）
1969
dendra、mycin
費根鮑姆（feigenbaum )、布坎南（buchanan )、萊德伯格（lederberg）
1979
rospector
杜達（duda）
神經網路
1982
hopfield 網路
霍普菲爾德（hopfield）
1982
自組織網路
圖沃•科霍寧（teuvo kohonen）
1986
bp演算法
魯姆哈特（rumelhart）、麥克利蘭（mcclelland）
1989
卷積神經網路
樂康（lecun）
1998
lenet
樂康（lecun）
1997
迴圈神經網路rnn
塞普•霍普里特（sepp hochreiter）、尤爾根•施密德胡伯（jurgen schmidhuber）
分類演算法
1986
決策樹id3演算法
羅斯•昆蘭（ross quinlan）
1988
boosting 演算法
弗羅因德（freund）、公尺迦勒•卡恩斯（michael kearns）
1993
c4.5演算法
羅斯•昆蘭（ross quinlan）
1995
adaboost 演算法
弗羅因德（freund）、羅伯特•夏普（robert schapire）
1995
支援向量機
科林納•科爾特斯（corinna cortes）、萬普尼克（vapnik）
2001
隨機森林
里奧•布雷曼（leo breiman）、阿黛勒• 卡特勒（adele cutler )
深度學習
2006
深度信念網路
傑弗里•希爾頓（geoffrey hinton）
2012
谷歌大腦
吳恩達（andrew ng）
2014
生成對抗網路gan
伊恩•古德費洛（ian goodfellow）
機器學習根據所處理資料種類的不同，可以分為有監督學習，無監督學習，半監督學習和強化學習等幾種型別。
監督學習，就是人們常說的分類，通過已有的訓練樣本（即已知資料以及其對應的輸出）去訓練得到乙個最優模型（這個模型屬於某個函式的集合，最優則表示在某個評價準則下是最佳的），再利用這個模型將所有的輸入對映為相應的輸出，對輸出進行簡單的判斷從而實現分類的目的，也就具有了對未知資料進行分類的能力。在人對事物的認識中，我們從孩子開始就被大人們教授這是鳥啊、那是豬啊、那是房子啊，等等。我們所見到的景物就是輸入資料，而大人們對這些景物的判斷結果（是房子還是鳥啊）就是相應的輸出。當我們見識多了以後，腦子裡就慢慢地得到了一些泛化的模型，這就是訓練得到的那個（或者那些）函式，從而不需要大人在旁邊指點的時候，我們也能分辨的出來哪些是房子，哪些是鳥。監督學習裡典型的例子就是knn、svm。
無監督學習（也有人叫非監督學習，反正都差不多）則是另一種研究的比較多的學習方法，它與監督學習的不同之處，在於我們事先沒有任何訓練樣本，而需要直接對資料進行建模。這聽起來似乎有點不可思議，但是在我們自身認識世界的過程中很多處都用到了無監督學習。比如我們去參觀乙個畫展，我們完全對藝術一無所知，但是欣賞完多幅作品之後，我們也能把它們分成不同的派別（比如哪些更朦朧一點，哪些更寫實一些，即使我們不知道什麼叫做朦朧派，什麼叫做寫實派，但是至少我們能把他們分為兩個類）。無監督學習裡典型的例子就是聚類了。聚類的目的在於把相似的東西聚在一起，而我們並不關心這一類是什麼。因此，乙個聚類演算法通常只需要知道如何計算相似度就可以開始工作了。
Task01 熟悉機器學習的三大主要任務
什麼是機器學習？機器學習的乙個重要的目標就是利用數學模型來理解資料，發現資料中的規律，用作資料的分析和 通常在乙個資料表dataframe裡面，一行表示乙個樣本?一列表示乙個特徵。根據資料是否有因變數 響應變數,y,結果集 機器學習的任務可分為 有監督學習和無監督學習。根據因變數的是否連續，有監督學...
機器學習Task01
x，y 輸入資料，array like，shape n，s 點的大小 標量或array like，shape n，可選 大小以點數 2。預設是rcparams lines.markersize 2。c 點的顏色 順序或顏色順序，可選，預設 b c可以是單個顏色格式的字串，也可以是一系列顏色 規範的長...
整合學習（上）Task01 熟悉機器學習的主要任務
這算是我第一次正式 系統學習 機器學習 和 整合學習 言外之意我就是個小白 交通專業，不過對用python進行資料分析還是有基礎的 關於打卡，我只想把自己最關心的 對我最有價值的部分提取出來，一方面算作給自己的回憶，另一方面也算做給和我同樣水平的小夥伴的分享吧！一句話概括機器學習 利用數學模型來理解...