汪逸然 赵文军 梁连国 吴 琦 金晗辉 王灿星

（1.浙江大学航空航天学院流体工程研究所；2.杭州顿力电器有限公司；3.浙江浙风科技有限公司）

0 引言

随着人工智能理论和计算机软件硬件的快速发展，机器学习作为实现人工智能的方法，对各个领域的信息化、自动化发展产生了重要影响。机器学习在二十世纪五十年代就开展了相关研究，主要是基于逻辑推理方面[1]，但发现无法真正实现人工智能，因此在六、七十年代发展了带有专家系统的学习系统，如P.Winston的结构学习系统[2]、R.S.Michalski基于逻辑的归纳学习系统[3]和E.B.Hunt的“概念学习系统”[4]，且以决策理论为基础的学习技术及强化学习技术也开始发展[5]。在二十世纪八十年代，机器学习得到了广泛重视并形成了一个独立的学科，E.A.Feigenbaum把机器学习分为“机器学习”“示教学习”“类比学习”“归纳学习”[6]，其中归纳学习研究最多并延续至今，形成了决策树[7]、神经网络[8]、BP算法[9]等方法，这些方法对机器学习产生了深远的影响。二十年代九十年代，以支持向量机（Support Vector Machine，简称SVM）[10]为代表的“统计学习”技术占据了主流地位，这种以统计学习理论为直接支撑的统计学习技术在文本分类等应用体现了优越性[11,12]。进入二十一世纪，由于数据的不断丰富和计算能力的大大增强，机器学习在计算机视觉、自然语言处理等领域取得了巨大的成就[13]，使得机器学习在工程、商业、生活等各个领域得到广泛应用，例如在天气预报[14]、能源勘探[15]、环境监测[16]等方面，有效的利用机器学习对数据进行分析，是提高预报和检测准确性的重要途经；……