的发展也仍然在继续前行。
在神经网络沉寂低迷的几十年时间里，机器学习领域先后出现过以支持向量机为代表的统计学习理论，出现了以 Boost 算法为代表的可学习性理论哈佛大学教授莱斯利·瓦利安特（Leslie Valiant，1949—）以此理论获得 2010年图灵奖，还出现了以图模型为代表的基于概率推断的学习方法—加州大学洛杉矶分校教授朱迪亚·珀尔（Judea Pearl，1936—）以概率图模型获得 2011年图灵奖。这些都是机器学习领域不可忽视的重要进步，其中任何一项都足够在书中作为主角单独列出章节来书写一番，不过它们的故事与今天的神经网络比起来，仍然少了一丝曲折跌宕的传奇色彩。
辛顿在神经网络方面努力了 40 年，在 2006 年之前长期没有获得多少关注，直到发表了一系列关于深度学习的突破性的论文，迎来神经网络的复兴，才算是苦尽甘来。随后，研究者提出了越来越多有效的训练网络的方法和网络模型，令深度学习踏入了许多以前被认为计算机无法涉足的领域，从下棋到作曲、写诗，从辨认文字图像到自动驾驶汽车，深度学习已经创造了许许多多的奇迹，这一切共同引领了今天这场深度学习的热潮。
对于人工智能的从业人员，无论是学术界的研究者还是工业界的开发人员，甚至是还在校园求学，刚刚开始对这个领域萌生兴趣的学生，今天就是最好的时代，愿你我都能不负好时光！
第 7 章 深度学习时代
311