有哪些介绍机器学习发展历史的书籍可以推荐？

机器学习的演化几十年来,人工智慧研究者的各个「部落」一直以来都在彼此争夺主导权。

现在是这些部落联合起来的时候了吗?他们也可能不得不这样做,因为合作和演算法融合是实现真正通用人工智慧(AGI)的唯一方式。

这里给出了机器学习方法的演化之路以及未来的可能模样。

1. 五大流派1符号主义:使用符号、规则和逻辑来表征知识和进行逻辑推理,最喜欢的演算法是:规则和决策树2贝叶斯派:获取发生的可能性来进行概率推理,最喜欢的演算法是:朴素贝叶斯或马尔可夫3联结主义:使用概率矩阵和加权神经元来动态地识别和归纳模式,最喜欢的演算法是:神经网络4进化主义:生成变化,然后为特定目标获取其中最优的,最喜欢的演算法是:遗传演算法5Analogizer:根据约束条件来优化函式(尽可能走到更高,但同时不要离开道路),最喜欢的演算法是:支援向量机2. 演化的阶段1980 年代主导流派:符号主义架构:服务器或大型机主导理论:知识工程基本决策逻辑:决策支援系统,实用性有限1990 年代到 2000 年主导流派:贝叶斯架构:小型服务器丛集主导理论:概率论分类:可扩充套件的比较或对比,对许多工都足够好了2010 年代早期到中期主导流派:联结主义架构:大型服务器农场主导理论:神经科学和概率识别:更加精准的影象和声音识别、翻译、情绪分析等3. 这些流派有望合作,并将各自的方法融合到一起2010 年代末期主导流派:联结主义+符号主义架构:许多云主导理论:记忆神经网络、大规模整合、基于知识的推理简单的问答:范围狭窄的、领域特定的知识共享2020 年代+主导流派:联结主义+符号主义+贝叶斯+......架构:云端计算和雾计算主导理论:感知的时候有网络,推理和工作的时候有规则简单感知、推理和行动:有限制的自动化或人机互动2040 年代+主导流派:演算法融合架构:无处不在的服务器主导理论:最佳组合的元学习感知和响应:基于通过多种学习方式获得的知识或经验采取行动或做出回答