一切模拟、延申、扩展人的智能的技术都是人工智能，概念非常宽泛。从这个角度考虑，连计算器都能算是一种人工智能。只不过随着科技的进步，新技术的出现，势必会淘汰过去的老技术。也许100年后，人们对于人脸识别、自动驾驶等技术也不再感觉新鲜。到时候，你对他们说人脸识别是人工智能，他们也会觉得不可思议。

机器学习是一种比较有效的实现人工智能的方式，也是它的核心和重要理论基础。 如今，机器学习的应用已渗透进人工智能的各个分支。我们这里并不想给这门学科进行考古，感兴趣的话网上资料很多。只是，以史为镜，有不一样的思考和发现，往往能够引导你学习求知的正确方向，这才是本章的目的。

机器学习乃至人工智能的起源，是人对自身意识、自我、心灵等哲学问题的探索，对如何充分利用机器算力，实现对学习的模拟、进化，乃至超越的不懈追求。明白了这个基本出发点，你就懂得：所有算法，无论多么复杂，其实都是人设计出来模拟人思维过程的。因此，好的理解方式不是去死记硬背，而是用朴素的语言、大白话的讲解尽量搞清楚最初设计者的基本逻辑和思维原点。这样才能真正搞透看似复杂的理论，同时最大程度上减少所需的记忆量。本系列后面的章节中，你可能会看到很多不同寻常的类比、比喻，既有生活中耳熟能详的例子，也有好莱坞大片中的故事情节。也许乍看起来不那么正经和严谨，但是请不要忘了我们的初心：回归人性的思考，弄清算法的本质。

机器学习在发展的过程中，融合了统计学、神经科学、信息论、控制论、计算复杂性理论等多学科知识，是一门典型的交叉学科。因此，其所谓的难学难懂，往往是因为自身缺少足够的知识储备，外部又缺少有效资源，能够剥丝抽茧、深入浅出地帮你剖析纷繁复杂中的联系。"凯撒的归凯撒，上帝的归上帝"。其实只要能厘清脉络，明确重点，适当但是及时地补充一些必要基础知识，多数情况下，只要不偷懒，没啥难学的，初中生都能学会。这也是本系列的另一个特点：与常见的机器学习书籍不同，我们重构了知识的体系架构，偏重对基本模型算法内在联系的关联比较和深度挖掘，希望能从不一样的角度带给你新的认知。

机器学习从上世纪五十年代到现在七十年的发展历史中，一波三折，跌宕起伏。曾经大火的算法风光不再，一度默默无闻的理论却声名鹊起。恰如人生，再厉害不要盲目自大，再卑微也不用看不起自己。时机合适，环境匹配，无论哪种算法都有它发挥才能的空间。学好这门学科，的确需要紧跟业界潮流，关注当下最时髦的理论、算法和工具，先用了再说；同时，也最好能系统性地全面了解整个机器学习的理论。往往看似不起眼甚至有点儿过时的方法，有时换个马甲、换种角度、互相嫁接耦合，也能产生出其不意的效果。这也是本系列的第三个特点：横向比较不同模型的同时，纵向贯通，探讨其中的脉络和原委，告诉你理论背后的故事，用简单易上手的实例让你迅速理解其中的奥秘。学习不光是被动地接收，更需要主动地思考。越是前沿，越是未知，越是如此。毕竟算法是死的，情况是活的，具体怎么用要靠人来定。

Part 2 机器学习江湖族谱图

我们就不再费劲儿扒拉详细地讲解机器学习前世今生了，一图解千愁，供大家参考。网上资料很多，各种说法不尽相同。由于门派迥异，分支交叉，通婚很多。想搞个准确分类，让大家都信服也不容易。感兴趣可以自行翻查考古。这里不做论战，只是换个角度希望能引发大家一些思考。

机器学习的江湖族谱图如上所示。让我们架空历史，用武侠人物打个比喻，帮助理解和记忆。话说上古时期数学大陆飘来的三大高手：概率统计、控制论和图论。他们化身为华山、少林和峨眉三大派的高人张三丰、达摩祖师和郭襄女神，开枝散叶，涤荡江湖。达摩帐下出了个著名的弟子扫地僧，很早就在那里，但一直不显山不露水，最近几年才广为世人关注，炙手可热起来，他的名字就叫——“强化学习”。郭女神的峨眉一派盛产女弟子，与武林各门各派无论明面上，还是私下里，都交集不少，故事更多。但论学习方面的实战武功，实话实说乏善可陈，知名弟子不是很多。直到后来出了个周芷若妹妹，方才一鸣惊人，她就是我们的“知识图谱”了。当然，这也是与无忌哥哥发生联系后的事情了。让我们暂时按下这两派不表，回头再叙，本系列机器学习主要讲的是武当正宗的故事。深度学习、强化学习和知识图谱这三派在机器学习的江湖上又被人称作“联结主义”、“行为主义”和“符号主义”。

传说张真人门下弟子众多，各个武功高强。从最近邻（KNN）、决策树、随机森林、条件随机场，到Boosting、SVM、隐马尔科夫模型（HMM）、Bayes方法、神经网络，不一而足，简直就是武当七侠外加徒子徒孙。其中曾经看似不起眼的弟子张翠山，自己武功不咋地，但牛逼在生了个超级厉害的儿子，叫张无忌，也就是我们的主角“深度学习”了。无忌哥哥天赋异禀，武功高强，几乎自成一派，荣登明教教主宝座。不过，最重要的是他艳福不浅，深受各路女同学喜欢。他自从崭露头角以来，处处留情，关系十分错综复杂，简直是一代海王，不便详尽叙述。其中知名女士包括但不限于：王府闺秀、机智多谋的大房赵敏，人称“监督学习”；生性洒脱、无拘无束的波斯美女，二房小昭，人称“无监督学习”；还有其他各类女朋友。一众子女中，大房膝下最为著名，几个牛掰的阿哥CNN、RNN、Transformer，还有一个其实应该算是无忌哥哥和芷若妹妹的私生女，人称GNN，过继到了大房门下。她跟Transformer小哥都是新晋网红，擅长交际，注意力王者。二房不甘示弱，这几年也有几个孩子很出位，比如：自学冠军AutoEncoder、喜欢左右手互搏的GAN、擅长思考挖掘特征的表征学习（Representation Learning）等等。其他私生子女也各具特色，比如：有注重隐私的“联邦学习”，擅长跨界的“迁移学习”等。

如今的机器学习江湖，除人丁兴旺的深度学习一族外，强化学习、知识图谱，还有七七八八其他不那么知名的小门小派也都没闲着，对繁衍后代，延续香火乐此不疲，不断的产生无数的算法。大家尤其喜欢跨越种族、忘却辈分，勇敢地实现你中有我，我中有你。别说，往往这样下的小崽的确更加聪明、更加漂亮。也许，冥冥之中，这背后都有着进化论的身影。无论人还是算法，都离不开生物的属性。

Part 2 本系列内容说明

不抬杠的话，平日里你听到的机器学习，现在几乎默认都是指深度学习中的神经网络训练啦。为啥这样呢？存在即合理，学术意义上的严格划分对人民群众没啥卵用。神经网络这支个个都是大明星，光芒过于耀眼，这就好比曾国藩家族中的后代亲朋，无不以与其关联为荣一样。既然大伙儿喜闻乐见，约定俗成也就自有道理。本系列随大流重点讲解深度学习下各类模型，但算法和思想并不受限于此，其他机器学习内容亦通用。不过彻底明白了这部分的话，对大多数想入门的同学们来说也就够了。故此，为行文方便起见，暂且约定，不刻意区分机器学习与深度学习学术意义上的差别，敬请理解。

概率统计延伸出来的经典算法，虽然看似有些过时，不如深度学习下的神经网络实力强大，但其思想还是对理解机器学习的本质很有帮助的。比如：RNN本质上就是一个HMM模型的高维扩展版，GNN与条件随机场、随机森林等在某些方面其实也有异曲同工之处，AutoEncoder与SVM的核心都是降维。不仅如此，还有一种趋势就是新的网络越来越多地借鉴老算法的思想，比如Bayes方法 + NN延伸出来的BNN。如果大家对这些内容感兴趣的话，我们单独再讲。

无监督学习一支相对较新，内容也深一些，建议多看一些论文。如果大伙儿有需要，回头再找时间安排。强化学习打算讲讲，不过内容相对独立。知识图谱也比较独立，视情况再考虑是否单讲。