机器学习-36-对ML的思考之机器学习研究的初衷及科学研究的期望
文章目录
- 1 机器学习最初的样子
- 1.1 知识工程诞生(专家系统)
- 1.2 知识工程高潮期
- 1.3 专家系统的瓶颈(知识获取)
- 1.4 机器学习研究的初衷
- 2 科学研究对机器学习的期望
- 2.1 面向科学研究的机器学习轮廓
- 2.2 机器学习及其应用研讨会
- 2.3 智能信息处理系列研讨会
- 2.4 机器学习对科学研究的重要性
- 3 参考附录
1 机器学习最初的样子
机器学习学科诞生的初衷，是为了解决专家系统面临的“知识工程”瓶颈问题。因此，机器学习早期的研究，通常假定学习的产物是显性的知识，也就是现在人们所说的“符号机器学习”。
1.1 知识工程诞生(专家系统)
1965年，斯坦福大学计算机系的E. A. Feigenbaum(费根鲍姆)研究了以往人工智能系统成功的经验和失败的教训，发现人类专家之所以能够很好地解决许多困难的问题，其主要原因在于他们拥有大量的专业知识。
于是，他和诺贝尔奖获得者遗传学家J. Lederberg、物理化学家C.Djerassi等人开始合作研制DENDRAL专家系统。
DENDRAL于1968年基本完成，并获得了极大的成功。
费根鲍姆带领了专家系统的诞生，其由两部分组成：知识库和推理引擎。第一个成功的专家系统Dendral于1968年问世，在1977年被费根鲍姆正式命名为知识工程。其有一句流传甚广的名言：“Knowledge is the power in AI”。
E. A. Feigenbaum