《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》 —3.1.2　“机器学习”的前世今生

3.1.2　“机器学习”的前世今生

20世纪50年代到70年代初期，人工智能在此期间的研究被称为“推理期”，简单来说，人们认为只要赋予机器逻辑推理能力，机器就能具有智能。这一阶段的代表性工作有A. Newell和H. Simonde的“逻辑理论家”（Logic Theorist）程序，以及后来的“通用问题求解”（General Problem Solving）程序等，这些工作在当时获得了令人振奋的结果。“逻辑理论家”程序分别在1952年和1963年证明了著名数学家罗素和怀特海的名著《数学原理》中的38条定理和全部的52条定理。因此，A. Newell和H. Simonde成为1975年图灵奖的获得者。随着研究的深入发展，机器仅仅具有逻辑推理能力是远远不够的，为了实现人工智能，机器必须要具有智能，也就是说，必须要想办法让机器拥有知识。

从20世纪70年代中期开始，人工智能的研究就进入了“知识期”。1965年，Edward Feigenbaum主持研制了世界上第一个专家系统“DENDRAL”，自此开始，一大批专家系统成为主流，它们也在很多应用领域取得了成功。因此，在1994年Edward Feigenbaum获得了图灵奖。但是，专家系统随着科学技术的进步，面临了“知识工程瓶颈”，最大的困境就是，由人把知识总结出来再教给计算机是相当困难的。那么，让机器自己学习知识，会不会成为可能呢？

答案是肯定的，有太多的事实已经证明机器是可以自己学习知识的，其中最早的是上文提到的塞缪尔的跳棋程序。到20世纪50年代中后期，出现了基于神经网络的“联结主义”（Connectionism）学习，代表作是F. Rosenblatt的感知机（Perceptron）、B. Widrow的Adaline等。在20世纪六七十年代，多种学习技术得到了初步发展，基于逻辑表示的“符号主义”（Symbolism）学习逐渐发展，例如以决策理论为基础的统计学习技术以及强化学习技术等。二十多年后，“统计机器学习”（Statistical Learning）迅速崛起，代表性的技术有支持向量机（Support Vector Machine，SVM）等。

在过去的二十多年中，人类在收集数据、存储、传输、处理数据上的需求和能力得到了很大的提升。随着大数据时代的到来，人类社会无时无刻不在产生着数据，那么如何有效地对数据进行分析和利用，成为迫切需要解决的问题，而机器学习恰巧成为有效的解决方案。目前，在人类生活的各个领域，都可以看到机器学习的身影。无论是在复杂的人工智能领域，如自然语言处理、专家系统、模式识别、计算机视觉、智能机器人，还是在多媒体、网络通信、图形学、软件工程、医学领域，甚至是更常见的购物系统等，机器学习已然成为我们不可获取的一部分。

有关机器学习的介绍已经非常多了，在这里就不再赘述，我们接下来的讲述重点将放在机器学习的实现方法，还有为了解决现有机器学习的问题，而产生的自动化机器学习到底是什么吧。