由於知識獲取與表示的困難，以及當時計算機計算能力的限制，符號主義的主張沒有得到應有的發展和大規模的應用，以知識爲基礎的學習方法也同樣受到重創。21 世紀初，機器學習中的一個分支——概率統計學習（特別是深度學習）異軍突起，獲得巨大成功。它不僅建立了較好的理論基礎和有效的算法，還成功地得到商業應用，成爲推動產業和社會發展的重要力量，使 AI 進入了以數據驅動爲主導的第二代 AI 發展時代。爲了邁向真正的 AI，我們需要第三代 AI，而遷移學習正在向這一道路邁進。
本文節選自《遷移學習》一書，由楊強教授與其學生在多年研究的基礎上撰寫的，它包含了遷移學習的基礎、方法、技術和應用。
人工智能、機器學習以及遷移學習
人工智能（Artificial Intelligence,AI）是艾倫·圖靈受其提出的“機器會思考嗎？”這一著名圖靈測試問題啓發而得到的願景。該圖靈測試問題激勵了幾代研究人員探索機器智能運行的方法。然而縱觀最近二三十年的發展，人工智能研究經歷了多次起伏，其中大部分都圍繞着機器如何從外部世界獲取知識這一核心問題而演變。
從人工建立基於規則的知識庫到從數據中進行機器學習，使機器像人類一樣思考的嘗試已經走了很長的路。目前，機器學習（machine learning）已經從一個模糊的學科發展成爲一種推動工業和社會發展的重要力量，可以實現從電子商務和廣告投放到教育和醫療等領域的自動化決策。由於機器學習具有使機器通過在標註和未標註的數據中進行學習和適應來獲得知識的強大能力，因此它正在成爲一種世界通用的技術。機器學習根據數據生成預測模型，因此往往需要高質量的數據作爲“老師”來幫助調控統計模型。這種對未來事件進行準確預測的能力是基於對任務領域的觀察和理解。訓練樣本中的數據通常是被標註的，也就是說訓練樣本中的觀察和預測結果是相互耦合和相關的。之後，這些樣本就能夠被機器學習算法當成“老師”來“訓練”可應用到新數據的模型。現實生活中有許多應用機器學習的成功例子。基於計算機的圖像分析領域中的人臉識別是一個很好的例子。假設我們已經獲得了大量的醫療影像照片。那麼，機器學習系統可以使用這些照片訓練模型，從而判斷新照片中是否有某種疾病的可能性。機器學習模型還可以應用於公司的安保系統中，以判斷訪客是否是公司的員工。
原文鏈接:【https://www.infoq.cn/article/oa41VuSCfsuhyNWI1wMy】。未經作者許可，禁止轉載。