THU AI TR：人工智能之机器学习.pdf

发布时间：2022-05-31 发布人：admin 分类：说明书资料大小：4.99M 资料格式：pdf 举报版权申诉

weixin_42702781-12122626-4744302542952425965.pdf-第1页.png

第1页 / 共50页

weixin_42702781-12122626-4744302542952425965.pdf-第2页.png

第2页 / 共50页

weixin_42702781-12122626-4744302542952425965.pdf-第3页.png

第3页 / 共50页

weixin_42702781-12122626-4744302542952425965.pdf-第4页.png

第4页 / 共50页

weixin_42702781-12122626-4744302542952425965.pdf-第5页.png

第5页 / 共50页

weixin_42702781-12122626-4744302542952425965.pdf-第6页.png

第6页 / 共50页

weixin_42702781-12122626-4744302542952425965.pdf-第7页.png

第7页 / 共50页

weixin_42702781-12122626-4744302542952425965.pdf-第8页.png

第8页 / 共50页

文本预览

人工智能报告之机器学习 Artificial Intelligence Report of Machine Learning 2020 年第 1 期顾问：唐杰 2020 年 1 月

图目录图 1-1 机器学习发展历程 ............................................................................................................. 1 图 2-1 机器学习分类 ..................................................................................................................... 2 图 2-2 GAN 发展脉络 ...................................................................................................................... 3 图 2-3 AutoML 基本过程 ................................................................................................................ 5 图 2-4 ATMSeer 自动机器学习定制化工具的用户友好型交互界面 .......................................... 5 图 2-5 Transformer 的网络架构 .................................................................................................. 8 图 2-6 图卷积示意图 ..................................................................................................................... 9 图 3-1 深度学习模型最近若干年的重要进展 ........................................................................... 11 图 3-2 卷积神经网络的重要进展 ............................................................................................... 12 图 3-3 Auto-Encoder 的重要进展 .............................................................................................. 12 图 3-4 循环神经网络 RNN 的重要进展 ....................................................................................... 13 图 3-5 网络表示学习与图神经网络的重要进展 ........................................................................ 13 图 3-6 增强学习的重要进展 ....................................................................................................... 14 图 3-7 生成对抗网络的重要进展 ............................................................................................... 14 图 3-8 老虎机的重要进展 ........................................................................................................... 15 图 5-1 机器学习领域全球学者分布 ........................................................................................... 21 图 5-2 机器学习领域学者 h-index 分布 ................................................................................... 22 图 5-3 机器学习领域中国学者分布 ........................................................................................... 22 图 6-1 自动驾驶目标识别、运动预测 ....................................................................................... 31 图 7-1 机器学习技术趋势 ........................................................................................................... 35 表目录表 4-1 ICML 近 10 年 best paper ............................................................................................... 18 表 4-2 NeurIPS 近 10 年 best paper ......................................................................................... 19 表 5-1 机器学习领域中国与各国合作论文情况 ....................................................................... 23 表 5-2 NeurIPS 高引学者 TOP100 ............................................................................................... 26 表 8-1 机器学习三级知识树 .......................................................................... 错误!未定义书签。

概述篇 1 概述篇 1.1 机器学习的概念机器学习已经成为了当今的热门话题，但是从机器学习这个概念诞生到机器学习技术的普遍应用经过了漫长的过程。在机器学习发展的历史长河中，众多优秀的学者为推动机器学习的发展做出了巨大的贡献。从 1642 年 Pascal 发明的手摇式计算机，到 1949 年 Donald Hebb 提出的赫布理论——解释学习过程中大脑神经元所发生的变化，都蕴含着机器学习思想的萌芽。事实上，1950 年图灵在关于图灵测试的文章中就已提及机器学习的概念。到了 1952 年，IBM 的亚瑟·塞缪尔（Arthur Samuel，被誉为“机器学习之父”）设计了一款可以学习的西洋跳棋程序。塞缪尔和这个程序进行多场对弈后发现，随着时间的推移，程序的棋艺变得越来越好[1]。塞缪尔用这个程序推翻了以往“机器无法超越人类，不能像人一样写代码和学习”这一传统认识。并在 1956 年正式提出了“机器学习”这一概念。对机器学习的认识可以从多个方面进行，有着“全球机器学习教父”之称的 Tom Mitchell 则将机器学习定义为：对于某类任务 T 和性能度量 P，如果计算机程序在 T 上以 P 衡量的性能随着经验 E 而自我完善，就称这个计算机程序从经验 E 学习。普遍认为，机器学习（Machine Learning，常简称为 ML）的处理系统和算法是主要通过找出数据里隐藏的模式进而做出预测的识别模式，它是人工智能（Artificial Intelligence，常简称为 AI）的一个重要子领域。 1.2 机器学习的发展历史从机器学习发展的过程上来说，其发展的时间轴如下所示：图 1-1 机器学习发展历程 1

人工智能之机器学习 2 技术篇 2.1 机器学习算法分类机器学习算法可以按照不同的标准来进行分类。比如按函数 f (x，θ)的不同，机器学习算法可以分为线性模型和非线性模型；按照学习准则的不同，机器学习算法也可以分为统计方法和非统计方法。但一般来说，我们会按照训练样本提供的信息以及反馈方式的不同，将机器学习算法分为监督学习、无监督学习和强化学习[2]。图 2-1 机器学习分类 2.2 机器学习的经典代表算法 1980 年机器学习作为一支独立的力量登上了历史舞台。在这之后的 10 年里出现了一些重要的方法和理论，典型的代表是：分类与回归树（CART，1984）、反向传播算法（1986）、卷积神经网络（1989）。从 1990 到 2012 年，机器学习逐渐走向成熟和应用，在这 20 多年里机器学习的理论和方法得到了完善和充实，可谓是百花齐放的年代。代表性的重要成果有：支持向量机（SVM，1995）、AdaBoost 算法（1997）、循环神经网络和 LSTM（1997）、流形学习（2000）、随机森林（2001）。机器学习代表算法包括[3]：  线性回归  分类与回归树（CART） 2

分享到：

赞收藏

资料库

THU AI TR：人工智能之机器学习.pdf

相关推荐

人工智能

热门标签

最新资料