（一）机器学习的历程
机器学习是人工智能（简称AI）发展到一定阶段的产物，目前共有五个发展阶段。第一阶段：机器“推理期”（20世纪50年代－20世纪 70年代）。人们认为只要能赋予机器逻辑推理能力，机器就具有智能。第二阶段：机器“知识期”（20世纪70年代中期－20世纪 80年代）。费根鲍姆等认为要使机器具有智能，必须设法使机器拥有知识，基于逻辑表示的符号主义学习技术蓬勃发展。第三阶段：机器学习“学习期”（20世纪80年代－20世纪90年代）。美国卡耐基梅隆大学举行了第一届机器学习研讨会，1986年第一本专业期刊《机器学习》创刊，“从样例中学习”的主流是符号主义学习，其代表包括决策树和基于逻辑的学习，机器学习开始成为一个独立的学科领域，各类机器学习技术百花齐放。第四阶段：机器学习“统计学习期”（20世纪90年代中期－21世纪初）。“统计学习”取代连接主义技术占据了主导地位，其代表性技术是支持向量机和核方法。第五阶段：机器学习“深度学习期”。连接主义学习卷土重来，掀起了深度学习的热潮。深度学习实际上就是很多层的神经网络。虽然深度学习技术设计的模型复杂度非常高，但是由于大数据、云计算的辅助支持，“调参”后容易“过拟合”，为机器学习走向实践提供了便利。[33]
（二）机器学习的方法(www.xing528.com)
第一，统计分析。统计分析是机器学习的基本方法，是指对信息进行搜集资料、整理资料、量化分析、推理预测的过程。例如，进行财务预测、市场分析、文本识别等，都与统计分析关系密切。第二，高维数据降维。高维数据降维是指采用某种映射方法，降低随机变量的变量，主成分分析是常用的线性降维方法。例如，将数据从高维空间映射到低维空间中，从而实现维度减少。第三，特征工程。特征工程是指从原始数据提取特征的过程，目标是使特征能表征数据的本质特点，基于特征建立的模型在未知数据上的性能可以达到最优，最大限度地减少“垃圾进入，垃圾出来”。第四，模型训练。模型训练是指建模后的数据收集与机器训练过程，实现训练过程的可视化、模型保存与数据应用。第五，可视化分析。可视化分析是指利用人类的形象思维将数据关联，并映射为形象图表的一种数据分析方法。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
