思haysrh等的基于逻辑的归纳学习系统取得较大的进展，但只能学习单一概念，而且未能投入实际应用。此外，神经络学习机因理论缺陷未能达到预期效果而转入低潮。
这个时期的研究目标是模拟人类的概念学习过程，并采用逻辑结构或图结构作为机器内部描述。机器能够采用符号来描述概念符号概念获取，并提出关于学习概念的各种假设。
事实上，这个时期整个ai领域都遭遇了瓶颈。当时的计算机有限的内存和处理速度不足以解决任何实际的ai问题。要求程序对这个世界具有儿童水平的认识，研究者们很快发现这个要求太高了：1970年没人能够做出如此巨大的数据库，也没人知道一个程序怎样才能学到如此丰富的信息。
至于重拾希望的复兴时期，也就是0世纪70年代末到八0年代中叶，从70年代末开始，人们从学习单个概念扩展到学习多个概念，探索不同的学习策略和各种学习方法。这个时期，机器学习在大量的时间应用中回到人们的视线，又慢慢复苏。
19八0年，在美国的卡内基梅隆大学u召开了第一届机器学习国际研讨会，标志着机器学习研究已在全世界兴起。此后，机器归纳学习进入应用。
经过一些挫折后，多层感知器l由伟博斯在19年的神经络反向传播b算法中具体提出。当然b仍然是今天神经络架构的关键因素。有了这些新思想，神经络的研究又加快了。
19八519八6神经络研究人员（鲁梅尔哈特，辛顿，威廉姆斯赫，尼尔森）先后提出了l与b训练相结合的理念。
一个非常著名的l算法由昆兰在19八6年提出，我们称之为决策树算法，更准确的说是id算法。这是另一个主流机器学习的火花点。此外，与黑盒神经络模型截然不同的是，决策树id算法也被作为一个软件，通过使用简单的规则和清晰的参考可以找到更多的现实生活中的使用情况。
对于《机器学习》中打球的天气分类决策，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。
至于现代机器学习的成型时期，也就是0世纪90年初到1世纪初，1990年，shair最先构造出一种多项式级的算法，对该问题做了肯定的证明，这就是最初的bsig算法。一年后，frud提出了一种效率更高的bsig算法。但是，这两种算法存在共同的实践上的缺陷，那就是都要求事先知道弱学习算法学习正确的下限。
1995年，frud和shair改进了bsig算法，提出了adabsadaivbsig算法，该算法效率和frud于1991年提出的bsig算法几乎相同，但不需要任何关于弱学习器的先验知识，因而更容易应用到实际问题当中。
bsig方法是一种用来提高弱分类算法准确度的方法，这种方法通过构造一个预测函数系列，然后以一定的方式将他们组合成一个预测函数。他是一种框架算法，主要是通过对样本集的操作获得样本子集，然后用弱分类算法在样本子集上训练生成一系列的基分类器。
同年，机器学习领域中一个最重要的突破，支持向量survrahis，sv，由瓦普尼克和科尔特斯在大量理论和实证的条件下年提出。从此将机器学习社区分为神经络社区和支持向量机社区。
然而两个社区之间的竞争并不那么容易，神经络要落后sv核化后的版本将近000s。支持向量机在以前许多神经络模型不能解决的任务中取得了良好的效果。此外，支持向量机能够利用所有的先验知识做凸优化选择，产生准确的理论和核模型。因此，它可以对不同的学科产生大的推动，产生非常高效的理论和实践改善。
————
官方暗号群：550591，嘿嘿快来一起为《别进游戏》搞戏啊！！现在群里已经几百人，谢谢大家的评论支持，我一定继续努力！不出意外每晚6点到9点间准时更新，感谢大家！！
第三十八谈 考题全都会[2/2页]