1.2　人工智能中的机器学习

使用机器学习的目的通常是希望借助算法进一步了解隐藏在数据中的规律，据此进行判断和决策。例如，机器学习可以帮助人们选择时间更短的行车路线、收益更大的股票组合、更受人欢迎的消费品。

进入20世纪60年代，人工智能技术的进展主要集中在机器学习（Machine Learning，ML）领域。1952年，Arthur Samuel加入IBM的波基普西实验室（Poughkeepsie Laboratory），并开始从事一些机器学习程序的研究和开发，首次创建了具有检查功能的程序。1963年，Donald Michie创建了一个由304个火柴盒和珠子组成的机器，该机器使用强化学习方法来玩“井”字游戏。1967年诞生的最近邻（Nearest Neighbor）算法，是模式识别算法的初始阶段。

1965年，由Charlie Rosen领导的美国斯坦福研究所向美国国防高级研究计划局（Defense Advanced Research Projects Agency，DARPA）撰写了一份研究计划，该研究计划详细叙述了能够执行侦察任务的智能自动机器人，DARPA向斯坦福研究所提供了75万美元的资金来创建Shakey机器人。由斯坦福研究所于1979研制的Shakey机器人（见图1.4，其组成构件如图1.5所示）是当时最接近人工智能的机器人。Shakey是第一个能够感知和推理周围环境的移动机器人，通过简单的机器学习算法，Shakey机器人具有规划任务、寻找路线和重新排列简单物体等功能。

一般来说，机器学习可分为有监督学习和无监督学习，二者的区别是：

（1）有监督学习需要类别信息（即类别标签）或目标值（即输入数据X就能预测变量Y），主要用来执行分类和回归。

（2）无监督学习不需要类别信息或目标值，主要用来执行聚类和密度估计。