第一章 绪论

1.1 机器学习

    机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是一门人工智能的科学,主要研究如何在经验学习中改善具体算法的性能，对能通过经验自动改进的计算机算法的研究。

1.2 研究现状

    机器学习可追溯到17世纪，从贝叶斯、拉普拉斯关于最小二乘法的推导到马尔可夫链等等，这些知识奠定了了机器学习的基础。时至今日，机器学习主要向深度学习方向发展，海量的数据和计算机计算能力的大幅度提升助力了深度学习的发展，以深度学习为代表借鉴人脑的多分层结构、神经元的连接交互信息的逐层分析处理机制，自适应、自学习的强大并行信息处理能力，在很多方面收获了突破性进展，其中最有代表性的是图像识别领域。

第二章 机器学习领域著名人物

2.1 吴恩达

  初识机器学习，是从吴恩达老师的《Machine Learning》课程开始的，作为机器学习入门课程，吴恩达老师尽量以直观的感受让大家了解机器学习的相关理论，对数学要求较低，很适合刚刚接触的人了解和认识机器学习。

  吴恩达老师是斯坦福大学的计算机科学系和电气工程系的副教授，曾担任硅谷百度研究的首席科学家。他的主要研究领域是机器学习（深度学习）。他参与了斯坦福自动控制直升机项目和STAIR（斯坦福人工智能机器人）项目，前者开发了世界上最强大的自主直升机之一，后者产生了ROS，一种广泛使用的开源机器人软件平台。同时，他热心在线教育，与Daphne Koller共同创立的在线教育平台Coursera。

2.2 Geoffrey Hinton

  Geoffrey Hinton 与Yoshua Bengio、Yann LeCun共同获得了2018年度图灵奖，表彰他们以概念和工程的突破，让深度神经网络成为计算关键部件。Geoffrey Hinton的贡献有反向传播（Back Propagation）、玻尔兹曼机（Boltzmann Machines）、改进卷积神经网络[1]。

• 反向传播（Back Propagation）：1986年，在《Learning Internal Representations by Error Propagation》中，Hinton证明了反向传播能让神经网络发现自己内部的数据表征，这样便可以处理以往无法解决的问题。如今，反向传播已经是神经网络的标准操作[2]。
• 玻尔兹曼机（Boltzmann Machines）：1983年，Hinton和同伴一起发明了玻尔兹曼机，那是最早能够学习神经元内部表征的网络之一：那些表征既不来自输入，也不来自输出[3]。
• 改进卷积神经网络：2012年，Hinton和学生们一起，利用线性整流神经元（Rectified Linear Neurons）和dropout 正则化改进了卷积神经网络。在ImageNet比赛上，一举获得冠军，改进后的算法几乎把物体识别的错误率降到了从前的一半，让计算机视觉领域焕然一新。

2.3 Yann LeCun

  Yann LeCun，纽约大学终身教授，前Facebook人工智能研究院负责人，IJCV、PAMI和IEEE Trans 的审稿人，与Geoffrey Hinton、Yoshua Bengio并称为成为“深度学习三巨头”。因对卷积神经网络贡献巨大，被称为“CNN之父”[4]。

2.4 Yoshua Bengio

  Yoshua Bengio与Geoffrey Hinton和Yann LeCun共同获得了图灵奖，被公认为世界领先的AI专家和深度学习先驱。从1993年起，他一直在蒙特利尔大学教书育人，负责计算机科学与运筹学方向。同时，他也是蒙特利尔学习算法研究所（MILA）创始人和科学主任。MILA是一家独立的非营利组织，世界上最大的深度学习研究小组，拥有来自地球上很多公司和AI创业公司的研究实验室[5]。

2.5 周志华

  周志华老师毕业于南京大学计算机科学与技术系（学士、硕士、博士），现为南京大学教授，博士生导师。著作有《机器学习》，是很适合用来做为机器学习课程的中文教材，其中重要的公式推导具体到每一步，十分详尽，每一章节后面有丰富的参考文献，同时，书中将注释留在了侧面，给阅读带来了方便，同时侧面的空白位置适合做笔记或者自己的推导。

第三章 未来展望

       人工智能三起三落，很大程度上是因为无法进一步发展，没有实际落地应用，机器学习和人工智能一脉相连，时至今日，无论是数据、算力，还是算法都有很大的提升，人脸识别、以语音识别为基础的智能音箱进入了千家万户，但仍处于弱人工智能时代，机器可以在某一领域成为专家，甚至超过人类，但就通用性而言，还远不如人类。从原始社会到工业革命，机器把人类从沉重的劳动中解放出来，智能化是未来的发展趋势，机器学习也会在其中担任重要的角色，同时，低功耗的边缘计算设备会有很大发展，助力应用落地，应用到实际生产生活中。

参考文献

[1] Lecun Y , Bengio Y , Hinton G . Deep learning[J]. nature, 2015, 521(7553):436.

[2] D. E. Rumelhart, G. E. Hinton, R. J. Williams. Learning internal representations by error propagation[M]// Neurocomputing: foundations of research. MIT Press, 1988.

[3] Hinton G E . Boltzmann machine[J]. encyclopedia of machine learning, 2007.

[4] Kim P . Convolutional Neural Network[M]// MATLAB Deep Learning. Apress, 2017.

[5] Kawaguchi K , Kaelbling L P , Bengio Y . Generalization in Deep Learning[J]. 2017.