El profesor Zhang Zhihua de la Universidad de Pekín publicó una vez la historia del desarrollo y la inspiración del aprendizaje automático en el "Boletín de la Federación de Computación de China" de 2017 [1].
El aprendizaje automático integra tecnología, ciencia y arte. Es diferente de la inteligencia artificial tradicional y es el núcleo de la inteligencia artificial moderna. Implica estadística, optimización, análisis matricial, computadoras teóricas, programación, computación distribuida y más. Por lo tanto, se recomienda fortalecer los cursos de probabilidad, estadística, análisis matricial y otros sobre la base de los cursos universitarios de informática existentes. Las siguientes son sugerencias para entornos de cursos específicos y materiales didácticos relacionados: 1. Para fortalecer los cursos básicos de probabilidad y estadística, se recomienda utilizar la cuarta edición de "Teoría de la probabilidad y estadística matemática" en coautoría de Morris H. DeGroot y Mark J. Schervish. Enlace Douban-Probabilidad y Estadística
2. En los cursos de álgebra lineal, fortalecer el contenido del análisis matricial. Se recomienda utilizar el libro de texto "Introducción al álgebra lineal" de Gilbert Strong. Gilbert Strong ha estado enseñando álgebra lineal en el MIT y sus cursos en vídeo en línea son clásicos. Más tarde, se recomendó configurar cálculos matriciales y utilizar el libro de texto "Álgebra lineal numérica" escrito por Trefethen N. Lloyd y David Bau lll. 3. Configure cursos de aprendizaje automático. Hay muchos libros clásicos sobre aprendizaje automático, pero la mayoría de ellos no son adecuados para estudiantes universitarios. Recientemente, John D. Kelleher, Brian Mac Namee y otros publicaron "Fundamentos del aprendizaje automático para el análisis de datos predictivos". O la tercera edición de "Reconocimiento de patrones estadísticos", en coautoría con Andrew R. Webb y Keith D. Copsey, que es más adecuado como libro de texto para estudiantes universitarios. También se recomienda establecer enlaces prácticos en el curso para permitir a los estudiantes intentar aplicar métodos de aprendizaje automático a algunos problemas específicos.