AI：人工智能领域之AI发展历史的重要历史时间节点、大牛们对AI相关概念的定义

1950~

大牛们对重要概念的定义

ML的定义

1950~

1950，人工智能之父Alan Mzthison Turing，艾伦图灵在1950年发表的论文《计算机器与智能》(Computing Muchinery and Intelligence)中提出了具有开创意义的“图灵测试”(Turing Test)，用来判断一台计算机是否达到具备人工智能的标准。

1959，机器学习作为人工智能的分支，从2o世纪50年代开始，也历经了几次具有标志性的事件，这其中包括：1959年.美国的前IBM员工塞缪尔(Arthur Samuel)开发了一个西洋棋程序。这个程序可以在与人类棋手对弈的过程中，不断改善自己的棋艺。

1997年，IBM公司的深蓝(Deep Blue)超级计算机在国际象棋比赛中，力克俄罗斯专业大师卜斯帕罗夫(Carry Kimovich Kaaparov)，自此引起了全世界从业者的瞩口。2011年，IBM公司的沃森深度问答系统( Wanton DeepQA)在美国知名的百科知识问答电视节目(Jeopardy)中击败多位优秀的人类选手成功夺冠，又使得我们朝着达成‘“图灵测试更近了一步。

深度学习作为机器学习的分支，也逐步兴起，谷歌公司DeepMind研究团队宣布机器学习程序AlphaGo以4:1的总比分击败了世界顶级围棋选手李世石，见证了人工智能的极大进步。

2016年3月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜；2016年末2017年初，该程序在中国棋类网站上以“大师”（Master）为注册账号与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩；2017年5月，在中国乌镇围棋峰会上，它与排名世界第一的世界围棋冠军柯洁对战，以3比0的总比分获胜。围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平，在GoRatings网站公布的世界职业围棋排名中，其等级分曾超过排名人类第一的棋手柯洁。

2017年5月27日，在柯洁与阿尔法围棋的人机大战之后，阿尔法围棋团队宣布阿尔法围棋将不再参加围棋比赛。2017年10月18日，DeepMind团队公布了最强版阿尔法围棋，代号AlphaGo Zero。

大牛们对重要概念的定义

ML的定义

Langley（1996) 定义的机器学习是“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”。（Machine learning is a science of the artificial. The field's main objects of study are artifacts, specifically algorithms that improve their performance with experience.）

Tom Mitchell的机器学习(1997)对信息论中的一些概念有详细的解释,其中定义机器学习时提到，“机器学习是对能通过经验自动改进的计算机算法的研究”。（Machine Learning is the study of computer algorithms that improve automatically through experience.）。
美国卡内基梅隆大学(Carnegie Mellon University)机器学习研究领域的著名教授Tom Mitchell的经典定义： A computer program is said to learn from experience E with respect to some task T and some performance measure P,if its performance on T,as measured by P,improves with experience E.—-Tom Mitchell
三个关键术语:任务(Task )、经验(Experience)、性能(Performance )。
翻译一：如果一个程序在使用既有的经验E(Experience)来执行某类任务T(Task)的过程中被认为是“具备学习能力的”，那么它一定要展现出：利用现有的经验E，不断改善其完成既定任务T的性能(Performance)的特质。
翻译二：如果一个程序在使用既有的经验(E)执行某类任务(T)的过程中被认定为是“具备学习能力的”，那么它一定需要展现出：利用现有的经验(E)，不断改善其完成既定任务(T)的性能(P)的特质。

Alpaydin（2004）同时提出自己对机器学习的定义，“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。”（Machine learning is programming computers to optimize a performance criterion using example data or past experience.）