前言
1950年 - 阿兰·图灵创造了“图灵测试”。如下图，C使用问题来判断A和B是人类还是机器。如果判断不出来了，就表示机器有了智慧。那么就是智能的。但是我一直人为，这样说太片面，不符合哲学的智能，毕竟机器没有知觉，就好像现在35°c，可能机器通过传感器温度，却没有我这
种大汗淋漓的感觉所以我感觉这个有待商榷。
一机器学习的发展历史
机器学习是人工智能的一个分支，其目的在于使得计算器具备自动学习的能力，关注于开发程序使计算机随着新的数据而自动发生变化，以处理新数据。机器学习想让计算机能够透过数据学习到模式，通过数据来提升机器的理解力，发现模式并变更行为。简单来说就是通过算法使得机器能从大量历史数据中学习规律从而对新的样本做智能识别或对未来做预测。
在机器学习发展分为两个阶段，浅层学习（Shallow Learning）和深度学习（Deep Learning）。浅层学习起源上世纪20年代人工神经网络的反向传播算法（Back-propagation）的发明，使得基于统计的机器学习算法大行其道，虽然这时候的人工神经网络算法也被称为多层感知机（Multiple layer Perception），但由于多层网络训练困难，通常都是只有一层隐含层的浅层模型。
20世纪90年代，各种各样的浅层机器学习模型相继被提出。比如支撑向量机Support Vector Machine，Boosting，最大熵方法，比如logistic regression，LR等．这些模型的结构基本上可以看成带有一层隐层节点如SVM，Boosting，或没有隐层节点如LR。这些模型在无论是理论分析还是应用都获得了巨大的成功。相比较之下，由于理论分析的难度而且训练方法需要很多经验和技巧，这个时期多层人工神经网络反而相对较为沉寂。
2006年的三篇论文：Hinton的Deep Belief Nets，Bengio团队的Greedy Layer-Wise Training of Deep Networks，LeCun团队的Efficient Learning of Sparse Representations with an Energy-Based Model开启了深度神经网络即深度学习在学术界和工业界的浪潮，同时GPU并行计算被发现特别适合构建多层神经网络，这为深度学习的发展提供了基础保障。
2016年 - 谷歌的人工智能算法击败在中国的棋类游戏围棋-被认为是世界上最复杂的棋盘游戏，比国际象棋更难。由谷歌开发的DeepMind的AlphaGo算法成功地赢得五场比赛。
二 机器学习定义
机器学习有下面几种定义：
· 机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
· 机器学习是对能通过经验自动改进的计算机算法的研究。
· 机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。
一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
我给machine learning的定义（自恋一下，哈哈）：机器学习就是，让计算机从以往的数据中发现一种模式，然后做出决策。也就是if(experience from past data = The current situation) do else do other.
机器学习与数据挖掘 统计和人工智能的关系
与统计学相比，机器学习更加在乎的是模型的预测能力，因为我有足够大的数据，也就是我足够壕，有数据就是任性，我不需要这个Model有多漂亮，只要能满足我的需要，即使他是一个黑盒子也与我无关。二统计学，就像一个古代为自己做嫁衣的姑娘，小心翼翼的，一针一线的做，因为他的数据量很小，我得考虑每一个误差，让这个模型跑的很完美。所以说，统计就像是手工，而机器学习更像是现在的流水线大规模生产。统计学的优势在于科研研究，反哺机器学习，机器学习在于工业化，去利用数据创造更大的价值。
数据挖掘是从杂乱的数据中去发现一种“有意思的联系”，然后去分析这种联系的原因，最后用这个联系去做出有利的决策。机器学习更像一种方法吧，更偏向于数学模型，数据挖掘更偏向与业务逻辑。好吧，其实我也讲不清楚。。。如果谁能说清的麻烦可以在下面评论，我们一起讨论， 。
机器学习与人工智能，机器学习是人工智能的一个子集，据现在涉足这个领域的大牛说：机器学习是实现人工智能目前最有效的方法。。。大名鼎鼎的阿法狗就是机器学习的方法做出来的哈哈。这个以后再说。
三 机器学习当代大牛
说起机器学习的当代大牛，
1：Geoffrey Everest Hinton
英国出生的计算机学家和心理学家，以其在神经网络方面的贡献闻名。辛顿是反向传播算法和对比散度算法的发明人之一，也是深度学习的积极推动者。他是盖茨比计算神经科学中心的创始人，目前担任多伦多大学计算机科学系教授。辛顿是机器学习领域的加拿大首席学者，也是加拿大高等研究院赞助的“神经计算和自适应感知”项目的领导者。辛顿在2013年3月加入Google，同时Google并购了他创办的DNNresearch公司。辛顿当前工作是处理丰富传感器输入的神经网络无监督学习。
2： Michael I Jordan（可不是篮球的那个Michael Jordan哦，不过我认为他是我们计算机届的迈克尔 乔丹，哈哈）
知名的计算机科学和统计学学者，主要研究机器学习和人工智能。目前担任加州大学伯克利分校电机工程与计算机系和统计学系教授。
他的重要贡献包括指出了机器学习与统计学之间的联系，并推动机器学习界广泛认识到贝叶斯网络的重要性。他还以近似推断变分方法的形式化、最大期望算法在机器学习的普及方面的工作而知名。
乔丹1978年在路易斯安那州立大学获得心理学学士学位，1980年获亚利桑那大学数学硕士（统计学方向）。随后在加州大学圣地亚哥分校随David E. Rumelhart攻读，于1985年获认知科学博士学位。在此期间，他发展了一种认知模型，称为Jordan网络，是递归神经网络的一种。
1986-1988年，乔丹在马萨诸塞大学做博士后研究。1988-1998年，来到麻省理工学院脑与认识科学系，先后任助教授、副教授和教授。1998年后转到伯克利。近年来他更多地从传统统计学的角度研究人工智能。
乔丹是美国国家科学院、美国国家工程院和美国艺术与科学院院士，IEEE、ACM.SIAM、AAAI等学术机构的会士。他也是2007年IEEE神经网络先驱奖、2009年ACM/AAAI Allen Newell奖的得主。
3 Andrew Ng
斯坦福大学计算机科学系和电气工程系的副教授，斯坦福人工智能实验室的主任。他还与达芙妮·科
勒一起创建了在线教育平台Coursera。吴恩达主要成就在机器学习和人工智能领域，是人工智能和机器学习领域最权威的学者之一。
1992年，吴恩达就读新加坡莱佛士书院，并于1997年获得了卡内基梅隆大学的计算机科学学士学位。
1998年，吴恩达获得麻省理工学院的硕士学位。
2002年，吴恩达获得加州大学伯克利分校的博士学位，并从这年开始在斯坦福大学工作。
2011年，吴恩达在Google创建了Google Brain项目，以通过分布式集群计算机开发超大规模的人工神经网络。
2014年5月16日，吴恩达加入百度，负责“百度大脑”计划，并担任百度公司首席科学家。
自己的一点小看法;1 Geoffrey Everest Hinton 和Michael I Jordan都是心理学家，那话就说回来了，自然科学到某一层次的时候，哲学能给我们做科技研究带来哪写启示呢？我在上海交通大学的一个公开课上看到，人工智能与哲学，感兴趣的同学可以去听一下。2: Andrew Ng是Michael I Jordan的学生，我是Andrew Ng的学生， 。哈哈，很荣幸呢。。。为什么说我是Andrew Ng大神的学生呢，因为Andrew Ng大神有一门公开课，我上了啊。所以在这里我要极力推荐：http://open.163.com/movie/2008/1/M/C/M6SGF6VB4_M6SGHFBMC.html 上过他的课之后，我们就是是兄弟啦。可不要吝啬你的赞哦。嘿嘿~~~
四 机器学习的应用
· 人脸识别，门禁系统：受安全保护的地区可以通过人脸识别辨识试图进入者的身份，比如监狱、看守所、小区、学校等。
· 摄像监视系统：在例如银行、机场、体育场、商场、超级市场等公共场所对人群进行监视，以达到身份识别的目的。例如在机场安装监视系统以防止恐怖分子登机。
· 网络应用：利用人脸识别辅助信用卡网络支付，以防止非信用卡的拥有者使用信用卡，社保支付防止冒领等。
· 学生考勤系统：香港及澳门的中、小学已开始将智能卡配合人脸识别来为学生进行每天的出席点名记录。
· 相机：新型的数码相机已内建人脸识别功能以辅助拍摄人物时对焦。
· 智能手机：解锁手机、识别使用者，如Android 4.0以上。
五 机器学习的未来
不敢妄自猜测，以后补充。
参考资料：
维基百科