本文摘要：在人工智能界有一种众说纷纭，指出机器学习是人工智能领域中最能体现智能的一个分支。
在人工智能界有一种众说纷纭，指出机器学习是人工智能领域中最能体现智能的一个分支。从历史来看，机器学习或许也是人工智能中发展最慢的分支之一。 在二十世纪八十年代的时候，符号自学有可能还是机器学习的主流，而自从二十世纪九十年代以来，就仍然是统计资料机器学习的天下了。
不告诉否可以这样指出：从主流为符号机器学习发展到主流为统计资料机器学习，体现了机器学习从纯粹的理论研究和模型研究发展到以解决问题现实生活中实际问题为目的的应用于研究，这是科学研究的一种变革。 平时由于机器学习界的朋友认识多了，常常取得一些道听途说的信息以及专家们对机器学习的现状及其发展前途的评论。在此过程中，难免会产生一些自己的疑惑。
借此机会把它写出下来放到这里，却是一种外行求教机器学习。 一问：符号自学该何去何从 问题一：在人工智能发展早期，机器学习的技术内涵完全全部是符号自学。可是从二十世纪九十年代开始，统计资料机器学习有如一匹黑马横空出世，很快压过并代替了符号自学的地位。
人们可能会问：在剩目的统计资料自学期刊和会议文章面前，符号自学否被完全忽视？它还能沦为机器学习的研究对象吗？它否将之后在统计资料自学的阴影里生活并苟延残喘？ 对这个问题有三种有可能的问：一是告诉他符号自学：你就是该解散历史舞台，就让吧！二是告诉他统计资料自学：你的一言堂应当关门了！全然的统计资料自学早已跑到了走过，再行想要走就要把统计资料自学和符号自学融合一起。三是事物发展总会有三十年河东，三十年河西的现象，符号自学还有沦落的日子。
第一种观念我没听得人说明过，但是我想要难道有可能早已被许多人配置文件了。第二种观点我曾听得王珏教授多次说道过。
他毫无疑问统计资料自学不会衰落，而只是指出机器学习早已到了一个转折点，从今往后，统计资料自学应当和科学知识的利用结合，这是一种螺旋式下降，转入更加高级的形式，否则，统计资料自学可能会逗留于现状止步不前。王珏教授还指出：转入转折点的回应是Koller等的《概率图模型》一书的出版发行。
至于第三种观点，刚好我接到老朋友，美国人工智能资深学者、俄亥俄大学Chandrasekaran教授的写信，他正好谈到符号智能被统计资料智能抨击的现象，并且正好传达了河东河西的观点。全文如下：最近几年，人工智能在相当大程度上集中于统计学和大数据。
我表示同意由于计算能力的大幅提高，这些技术曾多次获得过某些令人印象深刻印象的成果。但是我们几乎有理由坚信，虽然这些技术还不会之后改良、提升，总有一天这个领域（指AI）不会对它们说道妳，并改向更为基本的认知科学研究。尽管钟摆的摆回还必须一段时间，我坚信以定有适当把统计资料技术和对认知结构的深刻理解融合一起。 显然Chandrasekaran教授也毫无疑问若干年后AI真会返回河西，他的意见和王珏教授的意见大致相同，但不仅仅限于机器学习，而是牵涉到整个人工智能领域。
只是王珏教授特别强调科学知识，而Chandrasekaran教授特别强调更为基本的理解。 二问：独立国家同产于条件对于机器学习来讲必须吗 问题二：王珏教授指出统计资料自学会一帆风顺的辨别依据是：统计资料机器学习算法都是基于样本数据独立国家同产于的假设。但是自然界现象千变万化，王珏教授指出哪有那么多独立国家同产于？这就惹来了下一个问题：独立国家同产于条件对于机器学习来讲知道是必须的吗？独立国家同产于的不不存在一定是一个不可逾越的障碍吗？ 无独立国家同产于条件下的机器学习或许只是一个难题，而不是不能解决问题的问题。我有一个胡思乱想。
指出前些时候经常出现的迁入自学或许不会对这个问题的解决问题带给一线曙光。尽管现在的迁入自学还拒绝迁入双方不具备独立国家同产于条件，但是无法产于之间的迁入自学，同产于和异产于之前的迁入自学或许迟早会经常出现？ 三问：深度自学代表了机器学习的新方向吗？ 问题三：近年来经常出现了一些新的动向，例如深度自学、无中止自学等等，社会上给与了尤其注目，特别是在是深度自学。
但它们知道代表了机器学习的新的方向吗？还包括周志华教授在内的一些学者指出：深度自学引发的热潮或许大过它本身确实的贡献，在理论和技术上并没过于多的创意，只不过是由于硬件技术的革命，计算机速度大大提高了，使得人们有可能使用原本复杂度很高的算法，从而获得比过去更加细致的结果。当然这对于推展机器学习应用于实践中有相当大意义。
但我们不已要斗胆问一句：深度自学否又要代替统计资料自学了？ 事实上，确实专家早已感受到来自深度自学的压力，认为统计资料自学正在被深度自学所抨击，真为如我们早已看见的符号自学被统计资料自学所抨击。不过我实在这种抨击还近没强劲到像统计资料自学抨击符号自学的程度。这一是因为深度自学的理论创意还不显著；二是因为目前的深度自学主要适合于神经网络，在各种机器学习的方法百花盛开的今天，它的应用于范围还受限，还无法必要说道是相连主义方法的重返；三是因为统计资料自学依然在机器学习中被有效地的广泛使用，获得多幸，想要舍弃它不更容易。
四问：只有统计资料方法适合于在机器学习方面应用于吗？ 问题四：机器学习研究经常出现以来，我们看见的主要就是指符号方法到统计资料方法的演进，中用数学主要是概率统计资料。但是，数学之大，就像大海，怎么会只有统计资料方法适合于在机器学习方面应用于吗？ 当然，我们也看见看了一些其他数学分支在机器学习上的应用于的好例子，例如微分几何在流形自学上的应用于，微分方程在概括自学上的应用于。但如果和统计资料方法比起，它们都不能却是配角。
还有的数学分支如代数有可能应用于得更加甚广，但是在机器学习中代数一般是作为基础工具来用于，例如矩阵理论和特征值理论。又如微分方程解法最后往往归结代数问题解法。它们可以却是幕后英雄：出头露面的是概率和统计资料，埋头苦干的是代数和逻辑。
否可以看看以数学方法为主角，以统计资料方法为配角的机器学习理论呢？在这方面，流形自学早已有点意思了，而彭实戈院士的倒排随机微分方程理论之预测金融走势，或许是用高深数学推展新的机器学习模式的更佳例子。但是从宏观看作，数学理论的插手程度还远远不够。
这里所指的主要是深刻印象的、现代的数学理论，我们期望着有更加多数学家参予，修筑机器学习的新模式、新的理论、新方向。 五问：符号机器学习时代和统计资料机器学习时代的鸿沟在哪里？ 问题五：上一个问题的沿袭，符号机器学习时代主要以线性方法处置问题，统计资料自学时代主要以倒数方法处置问题。这两种方法之间应当没一条鸿沟。 流形自学中李群、李代数方法的引进给我们以很好的救赎。
从微分流形到李群，再行从李群到李代数，就是一个交流倒数和线性的过程。然后，现有的方法在数学上并不极致。网页流形自学的文献由此可知，许多理论必要把给定数据集看作微分流形，从而就确认测地线的不存在并辩论民航机维来了。
这样的例子或许不是个别的，脚可解释数学家插手机器学习研究之适当。 六问：大数据给机器学习带给了本质影响吗？ 问题六：大数据时代的经常出现，是不是给机器学习带给本质性的影响？ 理论上谈，或许大数据给统计资料机器学习获取了更加多的机遇，因为海量的数据更为必须统计资料、取样的方法。业界人士估算，大数据的经常出现将使人工智能的起到更为引人注目。
有人把大数据处理分为三个阶段：搜集、分析和预测。搜集和分析的工作相对来说早已做到得非常好了，现在注目的焦点是要有科学的预测，机器学习技术在这里不可或缺。
这一点大约毋庸置疑。然而，某种程度是用于统计资料、取样方法，某种程度是搜集、分析和预测，大数据时代用于这类方法和以前用于这类方法有什么本质的有所不同吗？常态到异化是辩证法的一个普遍规律。
那么，从前大数据时代到大数据时代，数理统计方法是不是再次发生本质的变化？体现到它们在机器学习上的应用于若无本质变化？大数据时代正在呼唤什么样的机器学习方法的产生？哪些机器学习方法又是由于大数据研究的驱动而产生的呢？。
本文关键词：必一运动·(B-sports),B—sports必一,Bsport体育在线官网,b体育app下载官网,Bsports·官网,必一b体育app网页版登录
本文来源：必一运动·(B-sports)-www.training99.com
