1.机器学习的历史
你可能会觉得机器学习、人工智能和智能计算机的历史都是最近的事情。当我们想到这些技术时，我们往往会想到一些非常现代的东西，一些只在过去的十年里才发展起来的东西。但你可能会感到惊讶，机器学习的历史可以追溯到20世纪40年代。
虽然我们无法确切指出机器学习是何时被发明的，或者是谁发明了它——它是许多人的工作的结合，他们通过各自的发明、算法或框架做出了贡献——我们可以回顾其发展中的关键时刻。
2.什么是机器学习？
机器学习是人工智能的一个应用，包括解析数据、从数据中学习，然后将所学应用于做出明智决策的算法。
一个简单的机器学习算法的例子是像Spotify这样的按需音乐流媒体服务。
为了决定推荐哪些新歌或艺术家给你，机器学习算法会将你的偏好与其他有类似音乐品味的听众关联起来。这种技术，通常简称为AI，被用于许多提供自动推荐的服务。
机器学习推动了跨越多个行业的各种任务，从寻找恶意软件的数据安全公司到希望获得有利交易警报的金融专业人士。AI算法被编程为以模拟虚拟个人助理的方式不断学习——这是他们做得相当好的事情。
3.早期
机器学习的历史始于1943年，沃尔特·皮茨和沃伦·麦卡洛克在科学论文《神经活动中固有思想的逻辑演算》中提出了第一个神经网络的数学模型。
1949年，唐纳德·赫布出版了《行为的组织》一书。该书提出了关于行为如何与神经网络和大脑活动相关联的理论，并且将成为机器学习发展的一个里程碑。
1950年，艾伦·图灵创建了图灵测试，以确定计算机是否具有真正的智能。为了通过测试，计算机必须能够欺骗人类，让人类相信它也是人类。他在曼彻斯特大学工作时，在论文《计算机械与智能》中提出了这一原则。文章开头是：“我提议考虑一个问题，‘机器能思考吗？’”
4.游戏路线
1952年，阿瑟·塞缪尔编写了第一个计算机学习程序，该程序是跳棋游戏，IBM计算机玩得越多，它就越好，学习哪些移动构成了获胜策略，并将这些移动纳入其程序中。
1957年，弗兰克·罗森布拉特为计算机设计了第一个神经网络——感知器——它模拟了人类大脑的思考过程。
机器学习下一个重大进展直到1967年才出现，当时编写了“最近邻”算法，使计算机开始使用非常基本的模式识别。这可以用来为旅行推销员绘制路线图，从随机城市开始，但确保在短暂的旅行中访问所有城市。
十二年后，1979年，斯坦福大学的学生发明了“斯坦福车”，它能够自行在房间中导航障碍物。1981年，杰拉尔德·德容引入了基于解释的学习方法（EBL），其中计算机分析训练数据并创建一个它可以通过丢弃不重要的数据而遵循的通用规则。
5.大步前进
在20世纪90年代，机器学习的工作从知识驱动方法转变为数据驱动方法。科学家们开始创建程序，让计算机分析大量数据并从结果中得出结论——或“学习”。
1997年，IBM的深蓝震惊了世界，它击败了世界冠军国际象棋选手。
2006年，杰弗里·辛顿提出了“深度学习”一词，以解释新的算法，让计算机“看”并区分图像和视频中的对象和文本。
四年后，2010年，微软公布了他们的Kinect技术，该技术可以每秒30次的速度跟踪20个人体特征，允许人们通过动作和手势与计算机互动。接下来的一年，IBM的沃森在Jeopardy比赛中击败了人类竞争对手。
2011年，谷歌开发了谷歌大脑，其深度神经网络可以学习发现和分类对象，就像猫一样。第二年，这家科技巨头的X实验室开发了一种机器学习算法，能够自主浏览YouTube视频，识别包含猫的视频。
2014年，Facebook开发了DeepFace，这是一种软件算法，能够在照片中识别或验证个人，达到与人类相同的水平。
6.2015年到现在
2015年，亚马逊推出了自己的机器学习平台。微软还创建了分布式机器学习工具包，使机器学习问题能够在多台计算机上高效分布。
然后，超过3000名AI和机器人研究人员，由斯蒂芬·霍金、埃隆·马斯克和史蒂夫·沃兹尼亚克（等人）支持，签署了一封公开信，警告自主武器的危险，这些武器选择并参与目标而无需人类干预。
2016年，谷歌的人工智能算法在围棋这一世界上最复杂的棋类游戏中击败了专业选手，这比国际象棋要困难得多。由谷歌DeepMind开发的AlphaGo算法在围棋比赛中赢得了五局中的五局。
2017年，Waymo开始在美国测试自动驾驶汽车，只有后备驾驶员在车后。同年晚些时候，他们在凤凰城推出了完全自动驾驶的出租车。
2020年，当世界其他地区在大流行的控制下时，OpenAI宣布了一个开创性的自然语言处理算法GPT-3，它在给定提示时具有生成类似人类文本的非凡能力。今天，GPT-3被认为是世界上最大的、最先进的语言模型，使用1750亿个参数和微软Azure的AI超级计算机进行训练。
7.机器学习的未来
无监督学习算法的改进
在未来，我们将看到更多的努力致力于改进无监督机器学习算法，以帮助从未标记的数据集中做出预测。这一功能将变得越来越重要，因为它允许算法发现数据集中有趣的隐藏模式或分组，并帮助企业更好地了解他们的市场或客户。
8.量子计算的崛起
机器学习趋势的主要应用之一在于量子计算，这可能会改变这个领域的未来。量子计算机可以更快地处理数据，增强算法分析和从数据集中提取有意义见解的能力。
9.认知服务的关注
得益于机器学习驱动的认知服务，软件应用程序将变得更加交互式和智能化。诸如视觉识别、语音检测和语音理解等功能将更容易实现。我们将看到更多使用认知服务的智能应用程序出现在市场上。
