機器學(xué)習(xí)是人工智能的核心研究領(lǐng)域之一

　　任何一個沒有學(xué)習(xí)能力的系統(tǒng)都很難被認為是一個真正的智能系統(tǒng)

　　經(jīng)典定義：利用經(jīng)驗改善系統(tǒng)自身的性能

　　隨著該領(lǐng)域的發(fā)展，主要做智能數(shù)據(jù)分析

　　并已成為智能數(shù)據(jù)分析技術(shù)的源泉之一

　　典型任務(wù)：預(yù)測（例如：天氣預(yù)報）

　　主要范式的發(fā)展：

　　80年代中葉以前：符號主義，代表：ILP

　　受到傳統(tǒng)人工智能研究的深刻影響，以邏輯推理為基礎(chǔ)

　　80年代中葉至90年代初：連接主義，代表：NN

　　對傳統(tǒng)人工智能的批評：“看上去漂亮，但解決不了實際問題”

　　對上述批評，AI的不同分支學(xué)科實際上都做出了自己的回應(yīng)，ML的回應(yīng)是連接主義受到重視

　　NN并不漂亮（至少在理論體系上遠遠沒有ILP那么漂亮），但解決了很多實際問題

　　90年代中葉至今：統(tǒng)計學(xué)習(xí)，代表：SVM

　　NN雖然解決了不少問題，但解決問題時的“試錯性”引來了“trick”的批評

　　作為回應(yīng)，統(tǒng)計學(xué)習(xí)開始占據(jù)支配地位。雖然SVM仍然有“試錯性”，但畢竟在理論基礎(chǔ)上比NN漂亮得多（實際上，統(tǒng)計學(xué)習(xí)與連接主義一脈相承）

　　現(xiàn)在：？

　　統(tǒng)計學(xué)習(xí)并不是萬能的，有很多問題不能解決（或不能很好地解決），例如結(jié)構(gòu)化數(shù)據(jù)的學(xué)習(xí)

　　作為回應(yīng)，以邏輯為基礎(chǔ)的符號主義與統(tǒng)計學(xué)習(xí)的結(jié)合開始受到重視

　　作為支持和服務(wù)技術(shù)的“普適機器學(xué)習(xí)”帶來了挑戰(zhàn)和機遇：

　　出現(xiàn)了很多被傳統(tǒng)ML研究忽視、但非常重要且尚無好的解決方案的問題（下面將以醫(yī)療和金融為代表來舉幾個例子）

　　ML支持和服務(wù)的學(xué)科領(lǐng)域越多，新問題越多

　　ML與眾多學(xué)科領(lǐng)域產(chǎn)生了交叉，而交叉領(lǐng)域正是大有可為處