机器学习文献综述
機器學習文獻綜述
一、背景介紹
數(shù)據(jù)庫：百度詞條、知網(wǎng)數(shù)據(jù)庫。檢索式：機器學習
檢索結(jié)果及分析：
機器學習有下面幾種定義： “機器學習是一門人工智能的科學，該領(lǐng)域的主要研究對象是人工智能，特別是如何在經(jīng)驗學習中改善具體算法的性能”。 “機器學習是對能通過經(jīng)驗自動改進的計算機算法的研究”。 “機器學習是用數(shù)據(jù)或以往的經(jīng)驗，以此優(yōu)化計算機程序的性能標準。” 一種經(jīng)常引用的英文定義是：A computer program is said to learn from experience E withrespect to some class of tasks T and performance measure P, if its performanceat tasks in T, as measured by P, improves with experience E。
機器學習是一門多領(lǐng)域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論論等多門學科。專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領(lǐng)域，它主要使用歸納、綜合而不是演繹。它的應用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言理解、模式識別、計算機視覺、智能機器人等領(lǐng)域。
機器學習是人工智能研究較為年輕的分支,它的發(fā)展過程大體上分為四個時期。第一階段是20世紀50年代中葉到60年代中葉,屬于熱烈時期。在這個時期,所研究的是“沒有知識”的學習,即“無知”學習。其研究目標是各類自組織系統(tǒng)和自適應系統(tǒng),其主要研究方法是不斷修改系統(tǒng)的控制參數(shù)和改進系統(tǒng)的執(zhí)行能力,不涉及與具體任務有關(guān)的知識。本階段的代表性工作是:塞繆爾(Samuel)的下棋程序。但這種學習的結(jié)果遠不能滿足人們對機器學習系統(tǒng)的期望。第二階段是在60年代中葉到70年代中葉,被稱為機器學習的冷靜時期。本階段的研究目標是模擬人類的概念學習過程,并采用邏輯結(jié)構(gòu)或圖結(jié)構(gòu)作為機器內(nèi)部描述。本階段的代表性工作有溫斯頓(Winston)的結(jié)構(gòu)學習系統(tǒng)和海斯羅思(Hayes-Roth)等的基本邏輯的歸納學習系統(tǒng)。第三階段從20世紀70年代中葉到80年代中葉,稱為復興時期。在此期間,人們從學習單個概念擴展到學習多個概念,探索不同的學習策略和方法,且在本階段已開始把學習系統(tǒng)與各種應用結(jié)合起來,并取得很大的成功,促進機器學習的發(fā)展。1980年,在美國的卡內(nèi)基—梅隆(CMU)召開了第一屆機器學習國際研討會,標志著機器學習研究已在全世界興起。
從本質(zhì)上講，機器學習就是要使計算機能模擬人的學習行為，自動地通過學習獲取知識和技能，不斷改善性能，實現(xiàn)人工智能。
隨著計算機網(wǎng)絡技術(shù)的發(fā)展，各行各業(yè)積累的數(shù)字化數(shù)據(jù)越來越多，如微博的數(shù)字化、聊天記錄的數(shù)字化、視頻探頭信息的數(shù)字化，大數(shù)據(jù)（Big Data）成為當今流行的研究主題，在這種潮流下，如何對這些數(shù)據(jù)進行分析，從中發(fā)現(xiàn)蘊涵的規(guī)律及有價值的信息，機器學習我想將有一席用武之地。
?
二、研究現(xiàn)狀
數(shù)據(jù)庫：Find+發(fā)現(xiàn)。檢索式：機器學習*算法*綜述
檢索結(jié)果及分析：
1、機器學習分類
? 機器學習，一般根據(jù)處理的數(shù)據(jù)是否存在人為標注主要分為監(jiān)督學習和無監(jiān)督學習。監(jiān)督學習用有標簽的數(shù)據(jù)作為最終學習目標，通常學習效果好，但獲取有標簽數(shù)據(jù)的代價是昂貴的，無監(jiān)督學習相當于自學習或自助式學習，便于利用更多的數(shù)據(jù)，同時可能會發(fā)現(xiàn)數(shù)據(jù)中存在的更多模式的先驗知識(有時會超過手工標注的模式信息)，但學習效率較低。二者的共性是通過建立數(shù)學模型為最優(yōu)化問題進行求解，通常沒有完美的解法。
監(jiān)督學習的數(shù)據(jù)集包括初始訓練數(shù)據(jù)和人為標注目標，希望根據(jù)標注特征從訓練集數(shù)據(jù)中學習到對象劃分的規(guī)則，并應用此規(guī)則在測試集數(shù)據(jù)中預測結(jié)果，輸出有標記的學習方式。因此，監(jiān)督學習的根本目標是訓練機器學習的泛化能力。監(jiān)督學習的典型算法有：邏輯回歸、多層感知機、卷積神經(jīng)網(wǎng)絡等；典型應用有:回歸分析、任務分類等。
無監(jiān)督學習，用于處理未被分類標記的樣本集數(shù)據(jù)并且事先不需要進行訓練，希望通過學習尋求數(shù)據(jù)間的內(nèi)在模式和統(tǒng)計規(guī)律，從而獲得樣本數(shù)據(jù)的結(jié)構(gòu)特征，因此，無監(jiān)督學習的根本目標是在學習過程中根據(jù)相似性原理進行區(qū)分"無監(jiān)督學習更近似于人類的學習方式，被譽為:人工智能最有價值的地方。無監(jiān)督學習的典型算法有自動編碼器、受限玻爾茲曼機、深度置信網(wǎng)絡等；典型應用有:聚類和異常檢測等。
總之，機器學習就是計算機在算法的指導下，能夠自動學習大量輸入數(shù)據(jù)樣本的數(shù)據(jù)結(jié)構(gòu)和內(nèi)在規(guī)律，給機器賦予一定的智慧，從而對新樣本進行智能識別，甚至實現(xiàn)對未來的預測"。
?
2、機器學習目前研究現(xiàn)狀
（1）面向任務:在預定的一些任務中,分析和開發(fā)學習系統(tǒng),以便改善完成任務的水平,這是專家系統(tǒng)研究中提出的研究問題；
（2）認識模擬:主要研究人類學習過程及其計算機的行為模擬,這是從心理學角度研究的問題；
（3）理論分析研究:從理論上探討各種可能學習方法的空間和獨立于應用領(lǐng)域之外的各種算法。
這三個研究方向各有自己的研究目標,每一個方向的進展都會促進另一個方向的研究。這三個方面的研究都將促進各方面問題和學習基本概念的交叉結(jié)合,推動了整個機器學習的研究。
?
3、機器學習主要算法
數(shù)據(jù)庫：谷歌搜索。檢索式：機器學習主要算法
檢索結(jié)果及分析：
（1）回歸算法
?? 在大部分機器學習課程中，回歸算法都是介紹的第一個算法。原因有兩個：一.回歸算法比較簡單，介紹它可以讓人平滑地從統(tǒng)計學遷移到機器學習中。二.回歸算法是后面若干強大算法的基石，如果不理解回歸算法，無法學習那些強大的算法?；貧w算法有兩個重要的子類：即線性回歸和邏輯回歸。
?? 線性回歸就是我們前面說過的房價求解問題。如何擬合出一條直線最佳匹配我所有的數(shù)據(jù)？一般使用“最小二乘法”來求解。“最小二乘法”的思想是這樣的，假設我們擬合出的直線代表數(shù)據(jù)的真實值，而觀測到的數(shù)據(jù)代表擁有誤差的值。為了盡可能減小誤差的影響，需要求解一條直線使所有誤差的平方和最小。最小二乘法將最優(yōu)問題轉(zhuǎn)化為求函數(shù)極值問題。函數(shù)極值在數(shù)學上我們一般會采用求導數(shù)為0的方法。但這種做法并不適合計算機，可能求解不出來，也可能計算量太大。
?? 計算機科學界專門有一個學科叫“數(shù)值計算”，專門用來提升計算機進行各類計算時的準確性和效率問題。例如，著名的“梯度下降”以及“牛頓法”就是數(shù)值計算中的經(jīng)典算法，也非常適合來處理求解函數(shù)極值的問題。梯度下降法是解決回歸模型中最簡單且有效的方法之一。從嚴格意義上來說，由于后文中的神經(jīng)網(wǎng)絡和推薦算法中都有線性回歸的因子，因此梯度下降法在后面的算法實現(xiàn)中也有應用。
?? 邏輯回歸是一種與線性回歸非常類似的算法，但是，從本質(zhì)上講，線型回歸處理的問題類型與邏輯回歸不一致。線性回歸處理的是數(shù)值問題，也就是最后預測出的結(jié)果是數(shù)字，例如房價。而邏輯回歸屬于分類算法，也就是說，邏輯回歸預測結(jié)果是離散的分類，例如判斷這封郵件是否是垃圾郵件，以及用戶是否會點擊此廣告等等。
?? 實現(xiàn)方面的話，邏輯回歸只是對對線性回歸的計算結(jié)果加上了一個Sigmoid函數(shù)，將數(shù)值結(jié)果轉(zhuǎn)化為了0到1之間的概率(Sigmoid函數(shù)的圖像一般來說并不直觀，你只需要理解對數(shù)值越大，函數(shù)越逼近1，數(shù)值越小，函數(shù)越逼近0)，接著我們根據(jù)這個概率可以做預測，例如概率大于0.5，則這封郵件就是垃圾郵件，或者腫瘤是否是惡性的等等。從直觀上來說，邏輯回歸是畫出了一條分類線。
假設我們有一組腫瘤患者的數(shù)據(jù)，這些患者的腫瘤中有些是良性的(圖中的藍色點)，有些是惡性的(圖中的紅色點)。這里腫瘤的紅藍色可以被稱作數(shù)據(jù)的“標簽”。同時每個數(shù)據(jù)包括兩個“特征”：患者的年齡與腫瘤的大小。我們將這兩個特征與標簽映射到這個二維空間上，形成了我上圖的數(shù)據(jù)。
?? 當我有一個綠色的點時，我該判斷這個腫瘤是惡性的還是良性的呢？根據(jù)紅藍點我們訓練出了一個邏輯回歸模型，也就是圖中的分類線。這時，根據(jù)綠點出現(xiàn)在分類線的左側(cè)，因此我們判斷它的標簽應該是紅色，也就是說屬于惡性腫瘤。
邏輯回歸算法劃出的分類線基本都是線性的(也有劃出非線性分類線的邏輯回歸，不過那樣的模型在處理數(shù)據(jù)量較大的時候效率會很低)，這意味著當兩類之間的界線不是線性時，邏輯回歸的表達能力就不足。下面的兩個算法是機器學習界最強大且重要的算法，都可以擬合出非線性的分類線。
（2）神經(jīng)網(wǎng)絡
神經(jīng)網(wǎng)絡(也稱之為人工神經(jīng)網(wǎng)絡，ANN)算法是80年代機器學習界非常流行的算法，不過在90年代中途衰落?，F(xiàn)在，攜著“深度學習”之勢，神經(jīng)網(wǎng)絡重裝歸來，重新成為最強大的機器學習算法之一。
神經(jīng)網(wǎng)絡的誕生起源于對大腦工作機理的研究。早期生物界學者們使用神經(jīng)網(wǎng)絡來模擬大腦。機器學習的學者們使用神經(jīng)網(wǎng)絡進行機器學習的實驗，發(fā)現(xiàn)在視覺與語音的識別上效果都相當好。在BP算法(加速神經(jīng)網(wǎng)絡訓練過程的數(shù)值算法)誕生以后，神經(jīng)網(wǎng)絡的發(fā)展進入了一個熱潮。BP算法的發(fā)明人之一是前面介紹的機器學習大牛Geoffrey Hinton。具體說來，神經(jīng)網(wǎng)絡的學習機理是什么？簡單來說，就是分解與整合。在著名的Hubel-Wiesel試驗中，學者們研究貓的視覺分析機理是這樣的。
比方說，一個正方形，分解為四個折線進入視覺處理的下一層中。四個神經(jīng)元分別處理一個折線。每個折線再繼續(xù)被分解為兩條直線，每條直線再被分解為黑白兩個面。于是，一個復雜的圖像變成了大量的細節(jié)進入神經(jīng)元，神經(jīng)元處理以后再進行整合，最后得出了看到的是正方形的結(jié)論。這就是大腦視覺識別的機理，也是神經(jīng)網(wǎng)絡工作的機理。
讓我們看一個簡單的神經(jīng)網(wǎng)絡的邏輯架構(gòu)。在這個網(wǎng)絡中，分成輸入層，隱藏層，和輸出層。輸入層負責接收信號，隱藏層負責對數(shù)據(jù)的分解與處理，最后的結(jié)果被整合到輸出層。每層中的一個圓代表一個處理單元，可以認為是模擬了一個神經(jīng)元，若干個處理單元組成了一個層，若干個層再組成了一個網(wǎng)絡，也就是"神經(jīng)網(wǎng)絡"。
?
?
?
?
?
?
?
?
?
圖1、神經(jīng)網(wǎng)絡的邏輯構(gòu)架
（3）SVM（支持向量機）
支持向量機算法是誕生于統(tǒng)計學習界，同時在機器學習界大放光彩的經(jīng)典算法。
支持向量機算法從某種意義上來說是邏輯回歸算法的強化：通過給予邏輯回歸算法更嚴格的優(yōu)化條件，支持向量機算法可以獲得比邏輯回歸更好的分類界線。但是如果沒有某類函數(shù)技術(shù)，則支持向量機算法最多算是一種更好的線性分類技術(shù)。
但是，通過跟高斯“核”的結(jié)合，支持向量機可以表達出非常復雜的分類界線，從而達成很好的的分類效果。“核”事實上就是一種特殊的函數(shù)，最典型的特征就是可以將低維的空間映射到高維的空間。例如下圖所示：
?
?
?
?
?
?
??
?
圖2、支持向量機圖例
支持向量機是一種數(shù)學成分很濃的機器學習算法（相對的，神經(jīng)網(wǎng)絡則有生物科學成分）。在算法的核心步驟中，有一步證明，即將數(shù)據(jù)從低維映射到高維不會帶來最后計算復雜性的提升。于是，通過支持向量機算法，既可以保持計算效率，又可以獲得非常好的分類效果。因此支持向量機在90年代后期一直占據(jù)著機器學習中最核心的地位，基本取代了神經(jīng)網(wǎng)絡算法。直到現(xiàn)在神經(jīng)網(wǎng)絡借著深度學習重新興起，兩者之間才又發(fā)生了微妙的平衡轉(zhuǎn)變。
（4）聚類算法
前面的算法中的一個顯著特征就是我的訓練數(shù)據(jù)中包含了標簽，訓練出的模型可以對其他未知數(shù)據(jù)預測標簽。在下面的算法中，訓練數(shù)據(jù)都是不含標簽的，而算法的目的則是通過訓練，推測出這些數(shù)據(jù)的標簽。這類算法有一個統(tǒng)稱，即無監(jiān)督算法(前面有標簽的數(shù)據(jù)的算法則是有監(jiān)督算法)。無監(jiān)督算法中最典型的代表就是聚類算法。
讓我們還是拿一個二維的數(shù)據(jù)來說，某一個數(shù)據(jù)包含兩個特征。我希望通過聚類算法，給他們中不同的種類打上標簽，我該怎么做呢？簡單來說，聚類算法就是計算種群中的距離，根據(jù)距離的遠近將數(shù)據(jù)劃分為多個族群。聚類算法中最典型的代表就是K-Means算法。
（5）降維算法?
降維算法也是一種無監(jiān)督學習算法，其主要特征是將數(shù)據(jù)從高維降低到低維層次。在這里，維度其實表示的是數(shù)據(jù)的特征量的大小，例如，房價包含房子的長、寬、面積與房間數(shù)量四個特征，也就是維度為4維的數(shù)據(jù)?？梢钥闯鰜?#xff0c;長與寬事實上與面積表示的信息重疊了，例如面積=長 ×寬。通過降維算法我們就可以去除冗余信息，將特征減少為面積與房間數(shù)量兩個特征，即從4維的數(shù)據(jù)壓縮到2維。于是我們將數(shù)據(jù)從高維降低到低維，不僅利于表示，同時在計算上也能帶來加速。
剛才說的降維過程中減少的維度屬于肉眼可視的層次，同時壓縮也不會帶來信息的損失(因為信息冗余了)。如果肉眼不可視，或者沒有冗余的特征，降維算法也能工作，不過這樣會帶來一些信息的損失。但是，降維算法可以從數(shù)學上證明，從高維壓縮到的低維中最大程度地保留了數(shù)據(jù)的信息。因此，使用降維算法仍然有很多的好處。
降維算法的主要作用是壓縮數(shù)據(jù)與提升機器學習其他算法的效率。通過降維算法，可以將具有幾千個特征的數(shù)據(jù)壓縮至若干個特征。另外，降維算法的另一個好處是數(shù)據(jù)的可視化，例如將5維的數(shù)據(jù)壓縮至2維，然后可以用二維平面來可視。降維算法的主要代表是PCA算法(即主成分分析算法)。?
（6）推薦算法
推薦算法是目前業(yè)界非?；鸬囊环N算法，在電商界，如亞馬遜，天貓，京東等得到了廣泛的運用。推薦算法的主要特征就是可以自動向用戶推薦他們最感興趣的東西，從而增加購買率，提升效益。推薦算法有兩個主要的類別：一類是基于物品內(nèi)容的推薦，是將與用戶購買的內(nèi)容近似的物品推薦給用戶，這樣的前提是每個物品都得有若干個標簽，因此才可以找出與用戶購買物品類似的物品，這樣推薦的好處是關(guān)聯(lián)程度較大，但是由于每個物品都需要貼標簽，因此工作量較大。?
另一類是基于用戶相似度的推薦，則是將與目標用戶興趣相同的其他用戶購買的東西推薦給目標用戶，例如小A歷史上買了物品B和C，經(jīng)過算法分析，發(fā)現(xiàn)另一個與小A近似的用戶小D購買了物品E，于是將物品E推薦給小A。
兩類推薦都有各自的優(yōu)缺點，在一般的電商應用中，一般是兩類混合使用。推薦算法中最有名的算法就是協(xié)同過濾算法。?
（7）其他
除了以上算法之外，機器學習界還有其他的如高斯判別，樸素貝葉斯，決策樹等等算法。但是上面列的六個算法是使用最多，影響最廣，種類最全的典型。機器學習界的一個特色就是算法眾多，發(fā)展百花齊放。
?
三、機器學習的研究進展
數(shù)據(jù)庫：谷歌搜索。檢索式：機器學習*進展
檢索結(jié)果及分析：
1、機器學習的研究近況
隨著機器學習的深入研究與應用，新的網(wǎng)絡結(jié)構(gòu)和學習算法不斷涌現(xiàn)，進一步推進了機器學習的發(fā)展。下面主要從模型結(jié)構(gòu)與網(wǎng)絡參數(shù)設計、學習算法兩方面對近幾年機器學習的研究進展進行介紹。
（1）模型結(jié)構(gòu)及網(wǎng)絡參數(shù)設計
Liu yan等人提出一種半監(jiān)督可識別深度置信網(wǎng)絡算法(ccbRD)并成功應用于圖像的分類。Luo等人提出稀疏組受限波爾曼機(SGRBM)算法，通過實驗表明該算法可以提取更局部的特征、提高識別率。Yu Dong等提出一種深度凸起網(wǎng)絡(DCN) 算法，并用于構(gòu)建語音分類的可擴展體系。Huang等人提出一種通過局部卷積深度置信網(wǎng)絡模型學習圖像總體結(jié)構(gòu)特征的方法，并在人
臉數(shù)據(jù)庫測試通過，取得良好效果。羅切爾提出改進RBM的Class RBM算法，實現(xiàn)在不訓練分類器的前提下，提高在線實時監(jiān)測學習特征的識別性能。Zhou等人提出一種半監(jiān)督卷積深度網(wǎng)絡(CDN)算法，可用于圖像分類。Mrazova等人提出一種增長式CNN，實現(xiàn)快速自動調(diào)整網(wǎng)絡拓撲結(jié)構(gòu)，有效處理高維數(shù)據(jù)!逐層迭代提取高級抽象特征。Kai Ming等人提出一種空間金字塔池化CNN算法，實現(xiàn)不同尺寸圖像的識別。
?
（2）學習方法
Wong等人提出一種基于Fisher準則、運用正則化要求進行深度學習提取特征的算法（RD-FM)，通過實驗表明該方法比核應運具有更強的特征識別能力、微調(diào)階段正則化應用的必要性。Collobert提出一種根據(jù)深度卷積遞歸圖
變換網(wǎng)絡(GTN)進行快速自然語言解析的算法，在保持性能的同時，提高了解析速度。Hinton提出通過阻止特征檢測器網(wǎng)絡權(quán)值的相互作用來改善神經(jīng)網(wǎng)絡的性能。Duchi等提出一種自適應次梯度方法用于在線學習和隨機優(yōu)化。孫志軍等人提出一種基于邊際Fisher準則的深度學習特征提取算法。Zhou等提出一種半監(jiān)督活躍深度網(wǎng)絡(ADN)算法，用于解決標記數(shù)據(jù)不足的情感分類問題。TOM等人提出用于語句情感分類的高級深度學習算法。Schaul等人提出一種學習率自適應方法。
?
四、機器學習面臨的挑戰(zhàn)
數(shù)據(jù)庫：谷歌搜索???? 檢索式：機器學習*挑戰(zhàn)
目前，以深度學習為代表的機器學習領(lǐng)域的研究與應用取得巨大進展有目共睹，有力地推動了人工智能的發(fā)展"但是也應該看到，以深度學習為代表的機器學習前沿畢竟還是一個新生事物，多數(shù)結(jié)論是通過實驗或經(jīng)驗獲得，還有待于理論的深入研究與支持。CNN的推動者和創(chuàng)始人之一的美國紐約大學教授 Yann? Lucan在2015IEEE計算機視覺與模式識別會議上指出深度學習的幾個關(guān)鍵限制:缺乏背后工作的理論基礎(chǔ)和推理機制;缺乏短期記憶;不能進行無監(jiān)督學習。
另外，基于多層人工神經(jīng)網(wǎng)絡的深度學習受到人類大腦皮層分層工作的啟發(fā)，雖然深度學習是目前最接近人類大腦的智能學習方法，但是當前的深度網(wǎng)絡在結(jié)構(gòu)!功能!機制上都與人腦有較大的差距。并且對大腦皮層本身的結(jié)構(gòu)與機理還缺乏精準認知，如果要真正模擬人腦的100多億個神經(jīng)元組成的神經(jīng)系統(tǒng)，目前還難以實現(xiàn)。因此，對計算神經(jīng)科學的研究也需要有很長一段路要走。
還有，機器學習模型的網(wǎng)絡結(jié)構(gòu)!算法及參數(shù)越發(fā)龐大、復雜，通常只有在大數(shù)據(jù)量、大計算量支持下才能訓練出精準的模型，對運行環(huán)境要求越來越高!占用資源也越來越多，這也抬高了其應用門檻。
總之，機器學習方興未艾并且擁有廣闊的研究與應用前景，但是面臨的挑戰(zhàn)也不容忽視，二者交相輝映才能夠把機器學習推向更高的境界。
?
五、結(jié)論
本文對機器學習進行了較為全面介紹，包括機器學習的概念，發(fā)展簡史及分類，重點分析了機器學習的經(jīng)典算法，還介紹了機器學習的最新研究進展。愿景和應用，最后探討了機器學習面臨的挑戰(zhàn)。毋庸諱言，以深度學習為代表的機器學習作為人工智能的一個重要分支，目前在諸多領(lǐng)域取得了巨大進展，并且展示出強大的發(fā)展?jié)摿?#xff0c;但是更應該看到，人工智能仍然處理初級階段，機器學習仍然主要依賴監(jiān)督學習，還沒有跨越弱人工智能，并且作為機器學習模型基礎(chǔ)的人腦認知研究還有諸多空白需要填補!機器學習理論本身亟需新的突破!計算機科學技術(shù)及相關(guān)學科領(lǐng)域的發(fā)展與支撐與有待于進一步加強，因此，對于機器學習，我們要走的路一定很長、很長。
令人欣喜的是機器學習已經(jīng)成為全人類共同矚目、發(fā)力的研究與應用領(lǐng)域，并且已經(jīng)上升為國家戰(zhàn)略2013-2014年，美國!歐盟和日本先后啟動了國家大型腦研究計劃;中國未來五年計劃實施的100個重大工程及項目中“腦科學與類腦研究”名列第四。因此，可以預見機器學習的道路是曲折的，前途是光明的。
?
?
?
?
?
?
?
?
總結(jié)
- 上一篇： (转)python调取C/C++的dll
- 下一篇： poj2631