### 机器学习 - 教计算机从数据中学习 - 做出决定或预测 - 每个任务都没有明确的编程 - 随着经验的积累自动改进 - 应用于各种任务和领域

 #### Machine Learning

 #### Machine Learning

### 机器学习原理 - 输入数据: 例子, 特征和标签 - 学习算法: 处理数据 - 模型: 学习过程的结果 - 对新数据进行预测或决策

### 机器学习为什么重要 - 实现复杂任务的自动化 - 提高效率和准确性 - 适应新的数据和情况 - 分析和发现大型数据集的模式

 #### Machine Learning

### 重要人物 - Arthur Samuel: Machine Learning - Geoffrey Hinton: Deep Learning - Yann LeCun: CNN - Yoshua Bengio: RNN and LSTM - 吴恩达: Coursera and Google Brain - Ian Goodfellow: GAN - Jürgen Schmidhuber: Reinforcement Learning - 李飞飞: ImageNet

 #### Arthur Samuel

 #### Andrew Ng

 #### Ian Goodfellow

 #### Jürgen Schmidhuber

 #### Fei-fei Li

### 重点事件 - 1957: 感知机 Perceptron - 1986: 神经网络的反向传播算法 Backpropagation - 1997: 支持向量机 SVMs - 2006: 深度学习 Deep learning - 2012: AlexNet - 2014: 生成对抗网络 GAN - 2017: Transformer - 2018: Diffusion Models - 2022: ChatGPT

 #### Backpropagation

 #### SVM

 #### GAN

 #### Transformer Model

 #### Diffusion Model

 #### ChatGPT

### 关键论文 ###### Rosenblatt, F. (1957). [The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain.](https://1-1256632535.cos.ap-beijing.myqcloud.com/res/ita/rosenblatt-1957.pdf) ###### Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). [Learning representations by back-propagating errors.](https://1-1256632535.cos.ap-beijing.myqcloud.com/res/ita/rumelhart-1986.pdf) ###### Cortes, C., & Vapnik, V. (1995). [Support-vector networks.](https://1-1256632535.cos.ap-beijing.myqcloud.com/res/ita/cortes-1995.pdf) ###### Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). [A fast learning algorithm for deep belief nets.](https://1-1256632535.cos.ap-beijing.myqcloud.com/res/ita/hinton-2006.pdf) ###### Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). [ImageNet classification with deep convolutional neural networks.](https://1-1256632535.cos.ap-beijing.myqcloud.com/res/ita/krizhevsky-2017.pdf) ###### Goodfellow, I., Pouget-Abadie, ... & Bengio, Y. (2014). [Generative adversarial networks.](https://1-1256632535.cos.ap-beijing.myqcloud.com/res/ita/goodfellow-2014.pdf)

### 机器学习分类 - 监督学习 Supervised Learning - 无监督学习 Unsupervised Learning - 强化学习 Reinforcement Learning

 #### Supervised Learning

 #### Unsupervised Learning

 #### Reinforcement Learning

### 监督学习 - 从标记的数据中学习 - 分类和回归 - Linear Regression, SVM, Decision Tree

 #### Linear Regression

 #### Decision Tree

### 无监督学习 - 从未标记的数据中学习 - 聚类和降维 - K-means, PCA

 #### K-means

 #### PCA

### 强化学习 - 从与环境的互动中学习 - 智能体, 环境, 行动和奖励 - Q-learning, Deep Q-Networks, Policy Gradients


### 2.1 机器学习的概念与原理 - 什么是机器学习? 机器学习有哪些主要类型? - 为什么要使用机器学习? - 在机器学习的主要类型中, 列出至少一种常用算法. - 你知道哪些机器学习的应用? ---- [ 1.4 人工智能的发展现状与应用 ](ita-1-4.html) [| Exercises |](ita-exec.html) [ 2.2 神经网络的诞生与发展 ](ita-2-2.html)