机器学习是人工智能AI研究发展到一定阶段的必然产物！
二十世纪五十年代~七十年代初，“推理期”：机器的只能体现在具有逻辑推理能力。
二十世纪七十年代中期开始，AI进入“知识期”，希望机器能够自己学习！
其实，图灵1950年就曾提到过机器学习的可能
五十年代中后期，基于神经网络的“连接主义”学习开始，比如：感知机
六七十年代，基于逻辑表示的“ ”符号主义学习发展， 比如：归纳学习系统、概念学习系统
八十年代，1980 年夏，在美国卡耐基梅隆大学举行了第一届机器学习研讨会(IWML);同年， 《策略分析与信息系统》连出三期机器学习专辑; 1983 年，出版了R. S. Michalski、J. G. Carbonell 和T. Mitchell 主编的《机器学习:一种人工智能途径)) [Michalski et al., 1983] ，对当时的机器学习研究工作进行了总结; 1986 年，第一本机器学习专业期刊Machine LeαTηing 创刊; 1989 年，人工智能领域的权威期刊Artificial Intelligence 出版机器学习专辑，刊发了当时一些比较活跃的研究工作?其内容后来出现在J. G. Carbonell 主编、MIT 出版社1990 年的《机器学习:范型与方法》 [Carbonell, 1990] 一书中.总的来看，二十世纪八十年代是机器学习成为一个独立的学科领域、各种机器学习技术百花初绽的时期.
- R. S. Michalski 等人[Michalski et al., 1983] 把机器学习研究划分为"从样例中学习" "在问题求解和规划中学习" "通过观察和发现学习" "从指令中学习"等种类;
- E. A. Feigenbaum 等人在著名的《人工智能手册>> (第二卷)中，则把机器学习划分为"机械学习" "示教学习" "类比学习"和"归纳学习"等种类
二十世纪八十年代以来，被研究最多、应用最广的是"从样例中学习" (也就是广义的归纳学习) ，它涵盖了监督学习、无监督学习等
在二十世纪八十年代，"从样例中学习"的一大主流是符号主义学习，其代表包括决策树(decision tree)和基于逻辑的学习.
- 典型的决策树学习以信息论为基础，以信息熵的最小化为目标，直接模拟了人类对概念进行判定的树形流程。
- 基于逻辑的学习的著名代表是归纳逻辑程序设计(Inductive LogicProgramming，简称ILP) ，可看作机器学习与逻辑序设计的交叉，它使用一阶逻辑(即谓词逻辑)来进行知识表示，通过修改和扩充逻辑表达式(例如Prolog表达式)来完成对数据的归纳.
- 符号主义学习占据主流地位与整个人工智能领域的发展历程是分不开的
二十世纪九十年代中期之前，"从样例中学习"的另一主流技术是基于神经网络的连接主义学习。1983 年，J. J. Hopfield 利用神经网络求解"流动推销员问题"这个著名的NP 难题取得重大进展，使得连接主义重新受到人们关注. 1986 年， D. E. Rumelhart 等人重新发明了著名的BP 算法，产生了深远影响.与符号主义学习能产生明确的概念表示不同，连接主义学习产生的是"黑箱"模型，因此从知识获取的角度来看?连接主义学习技术有明显弱点;然而，由于有BP 这样有效的算法，使得它可以在很多现实问题上发挥作用.事实上， BP 一直是被应用得最广泛的机器学习算法之一.连接主义学习的最大局限是其"试错性'； 简单地说，其学习过程涉及大量参数，而参数的设置缺乏理论指导，主要靠于工"调参"夸张一点说，参数调节上失之毫厘，学习结果可能谬以千里.
二十世纪九十年代中期"统计学习" (statistical learning) 闪亮登场并迅速占据主流舞台，代表性技术是支持向量机(Support Vector Machine，简称SVM) 以及更一般的"核方法" (kernel methods).V. N. Vapnik 在1963 年提出了"支持向量"概念
- 一方面是由于有效的支持向量机算法在九十年代初才被提出，其优越性能到九十年代中期在文本分类应用中才得以显现;
- 另一方面，正是在连接主义学习技术的局限性凸显之后，人们才把目光转向了以统计学习理论为直接支撑的统计学习技术
二十一世纪初，连接主义学习又卷土重来，掀起了以"深度学习"为名的热潮.所谓深度学习?狭义地说就是"很多层"的神经网络。深度学习虽缺乏严格的理论基础，但它显著降低了机器学习应用者的门槛，为机器学习技术走向工程实践带来了便利。
博士团队打造的微信公众号【计算机视觉联盟】，主要分享深度学习、机器学习、图像解译、人工智能、无人驾驶等热门领域，开源框架学习（如TensorFlow）、项目经历及编程语言(C++、python)等咨讯
