从历史中学习：用 ML-For-Beginners 的“时间线“作业梳理机器学习发展史

• 教程
• 机器学习
• 人工智能

这是一篇以 ML-For-Beginners 课程中 1-Introduction/2-history-of-ML 一课配套作业（assignment.md）为核心展开的实践指南。课程用一整节课讲述机器学习与人工智能从 Bayes 定理到当代伦理挑战的发展脉络，而这份作业则要求学习者把这些知识转化为一幅"可交互、可部署、含多媒体元素"的历史时间线，并以 GitHub Pages 的形式对外呈现。读完本文，你将掌握这份作业的完整解读、从课程正文中提取时间线素材的方法、构建与部署时间线的通用工作流，以及对照评分标准自查的验收清单。

关联文档：assignment.md（丹麦语翻译版） ／ assignment.md（英文原版） ／ 本课正文 README

一、作业在课程中的定位

这份作业属于课程1-Introduction（入门）单元下的第 2 课"机器学习与人工智能的历史"（History of machine learning）。在同一单元中，它位于 1-intro-to-ML（机器学习是什么）之后、3-fairness（公平性）与 4-techniques-of-ML（机器学习技术）之前，作为对本课历史叙事的动手巩固环节。

在课程正文的结尾，作者用一行链接指向这份作业（[Create a timeline](https://link.gitcode.com/i/2e1c5cd06028ca3f6d1dd2685b556e14)），其意图非常明确：先读史，再用可视化的方式把历史"复述"出来。这也是本仓库一贯的"阅读—动手—自评"三段式教学法在入门单元的第一次完整落地——作业本身不计分（non-graded），但提供了一份可对照的评分标准（Rubric），帮助学习者自我评估产出质量。

二、作业原文解读：任务要求拆解

丹麦语版作业原文（translations/da/1-Introduction/2-history-of-ML/assignment.md）内容如下：

Opret en tidslinje（创建一条时间线）

Instruktioner（说明）：借助本作业指定的时间线构建仓库（timeline-builder），创建一条关于算法、数学、统计学、AI 或 ML 历史中某个方面的时间线，也可以是上述几个领域的组合。你可以聚焦于某一位人物、某一个思想，或一段漫长的思想史。务必添加多媒体元素。

Vurderingskriterier（评分标准）：见下方表格。

把任务拆解开来，共有四个明确要件：

1. 选题范围：算法（algorithms）、数学（mathematics）、统计学（statistics）、AI 或 ML 的历史，允许组合多领域；
2. 叙事粒度：可以聚焦一个人（如 Alan Turing、John McCarthy、Frank Rosenblatt）、一个思想（如"机器能否思考"、反向传播），也可以覆盖一段漫长时期（如从 1763 年到今天的完整脉络）；
3. 多媒体要求：时间线中必须包含图片、视频、音频等多媒体元素——这与本课正文本身"图文并茂"的写作风格一脉相承（正文中既有 sketchnote 速记图，也嵌入了多个讲解视频）；
4. 交付形态：最终要以GitHub Pages（GitHub 页面）的形式部署上线，而非停留在本地代码。

三、时间线素材从哪里来：课程正文中的里程碑清单

作业的素材库就是本课正文 1-Introduction/2-history-of-ML/README.md。该文完整梳理了从 18 世纪到当代的关键节点，下面按时间顺序整理，可直接作为时间线的候选条目（含课程原文中的归属描述）：

3.1 奠基时代的重要发现（1763—1982）

3.2 时代的起落：从"机器能思考"到"AI 寒冬"

• 1950：会思考的机器。Alan Turing 提出Turing 测试，为"机器能否思考"这一命题奠定了可检验的经验框架——课程在 6-NLP 单元中会再次探讨它。

• 1956：Dartmouth 夏季研究项目。"人工智能（artificial intelligence）"一词在此被正式提出。John McCarthy 领衔，Marvin Minsky 等参与，会议催生了符号方法、早期专家系统以及"演绎系统 vs 归纳系统"等讨论。

• 1956—1974：黄金年代。乐观情绪高涨：NLP 研究蓬勃发展、搜索技术被不断强化、"微世界（micro-worlds）"概念诞生。标志性机器包括Shakey 机器人（可自主规划任务）、ELIZA（早期的"聊天机器人/心理治疗师"）、以及基于SHRDLU库的Blocks World积木微世界。

  上图为课程正文中展示的 Shakey（1972），属于"黄金年代"标志性机器，非常适合作为时间线"1956–1974"条目的多媒体配图。

• 1974—1980：AI 寒冬。课程明确指出四个降温因素：计算能力局限、组合爆炸（参数随需求指数增长而算力没有同步演进）、数据匮乏、以及对提问方式本身的质疑（中文屋理论质疑"程序只能模拟理解而非真正理解"，ELIZA 式 AI 进入社会的伦理问题被挑战）。这一时期还形成了scruffy（邋遢派：反复调参直到满意）vs neat（整洁派：强调逻辑与形式化问题求解）的学派分野，到 1980 年代 neat 路线因结果更可解释而逐渐占据主流。

• 1980 年代：专家系统。专家系统成为"最早真正成功的 AI 软件形式"之一，本质是混合系统：一部分是定义业务需求的规则引擎，另一部分是利用规则推导新事实的推理引擎。同一时期神经网络也获得更多关注。

• 1987—1993：AI 冷遇。专用专家系统硬件过度专业化，个人电脑崛起与之竞争——计算民主化的开端，为后来的大数据爆发铺路。

• 1993—2011：数据与算力的复兴。数据量迅速增长并广泛可得（2007 年智能手机的出现尤其加速了这一过程），算力指数级扩展，算法同步进化，领域逐步成熟为真正的学科。

• 当下：责任与伦理。ML 与 AI 已触及生活的方方面面，课程引用微软 Brad Smith 的观点强调：信息技术的议题触及隐私、言论自由等基本人权保障，科技公司应承担责任，同时需要审慎的政府监管与可接受使用规范的建立。

课程正文还附带一张速记图 sketchnotes/ml-history.png（作者 Tomomi Imura），以视觉化方式浓缩了本课历史脉络，是快速回顾素材的好入口。

四、从"研究"到"实现"：构建并部署时间线的完整工作流

作业指定使用timeline-builder这个开源仓库作为时间线实现方案。由于它是第三方项目（具体 API 与用法以其仓库文档为准），这里给出一个与任何"数据驱动型 JS 时间线库"都兼容的通用工作流，覆盖选题、数据准备、渲染、部署四个阶段：

4.1 第一步：选题与调研

按照作业说明，从以下三种粒度中选择其一：

• 聚焦一个人：例如 Alan Turing 与图灵测试、Frank Rosenblatt 与感知机、John McCarthy 与 Dartmouth 会议；
• 聚焦一个思想：例如"机器能否思考"（从 1950 到当代）、反向传播算法（1970 至今的深度学习复兴）；
• 覆盖长时段：例如以课程"著名发现"清单为骨架，做成 1763 年至今的完整脉络。

选题后可借助课程正文末尾的🚀Challenge（深入挖掘某一历史时刻及其背后的人物）作为调研切入点。注意课程的一句提醒："没有任何科学发现是在文化真空中产生的"——好的时间线应呈现人物、时代与技术之间的关联，而非孤立的日期列表。

4.2 第二步：把历史整理成结构化数据

无论底层工具如何，时间线的核心都是一组结构化的条目数据。推荐按"日期 + 标题 + 描述 + 多媒体 + 参考来源"五个字段组织，例如（以下为参考数据格式，非 timeline-builder 的强制 schema）：

[ { "date": "1763/1812", "title": "Bayes 定理", "description": "基于先验知识描述事件发生概率，奠定统计推断基础。", "media": "https://.../bayes.png", "source": "1-Introduction/2-history-of-ML/README.md" }, { "date": "1956", "title": "Dartmouth 夏季研究项目", "description": "提出并正式命名 artificial intelligence 一词。", "media": "https://.../dartmouth.jpg", "source": "1-Introduction/2-history-of-ML/README.md" }, { "date": "1956-1974", "title": "黄金年代：Shakey / ELIZA / SHRDLU", "description": "智能机器人、早期聊天机器人与微世界实验并行发展。", "media": "1-Introduction/2-history-of-ML/images/shakey.jpg", "source": "1-Introduction/2-history-of-ML/README.md" } ]

这一结构化步骤对应课程中反复强调的核心观点：历史素材的质量直接决定时间线的质量——评分标准中"研究不充分"（not well researched）正是对这一步不达标的明确警告。

4.3 第三步：添加多媒体元素

作业明确要求"务必添加多媒体元素"，可参考课程正文自己的做法：

• 图片：历史人物肖像、设备照片（如本课的 Shakey 照片、ELIZA 截图）、书籍封面；
• 视频：课程正文大量使用嵌入式视频（如 Yann LeCun 讲解深度学习史、Amy Boyd 讲解 AI 史），可将其对应的原始素材以链接形式嵌入时间线条目；
• 音频/播客：正文的"Review & Self Study"一节同样推荐了音频形式的学习材料，时间线亦可收录；
• 文字链接：为每个条目附上可追溯的参考来源，增强可信度。

4.4 第四步：部署为 GitHub Pages

部署是区分"合格"与"优秀"的决定性一步（见下文评分标准解读）。通用流程如下：

1. 在 GitHub 上创建仓库，将时间线项目（HTML/CSS/JS 静态文件）推入；
2. 在仓库 Settings → Pages 中启用 GitHub Pages，选择部署分支（如main）及站点目录（根目录或/docs）；
3. 保存设置后，Pages 会为站点生成一个公开访问地址；
4. 每次推送代码，站点会自动重建并更新，便于持续迭代；
5. 用生成的地址验证：时间线是否可交互、多媒体元素是否正常加载、在移动端是否可用。

4.5 第五步：对照评分标准自评验收

作业的评分表只有一行标准，但信息密度很高，逐字解读如下：

可见，"是否部署上线"是最显性的分水岭，而"研究是否充分"则决定了内容本身的深度——两者缺一不可。

五、在仓库中延伸：让时间线"跨课程"更有价值

这份作业虽然属于入门单元，但 ML 历史与仓库后续所有单元都存在直接勾连，充分利用能让时间线内容更立体：

• 2-Regression（回归）：1805 年的最小二乘理论是回归方法的数学源头，正文明确预告"你会在 Regression 单元学到它"，对应路径 2-Regression；
• 6-NLP（自然语言处理）：Turing 测试与 ELIZA 都会在 NLP 单元再次登场，对应 6-NLP；
• 4-Classification（分类）：1957 年感知机与现代分类器的血缘关系，对应 4-Classification；
• 5-Clustering（聚类）与8-Reinforcement（强化学习）：Markov 链在强化学习中的地位、最近邻在模式识别中的应用，均可作为时间线条目的延伸注脚。

把"历史事件 → 对应课程单元"的映射写进时间线描述，既体现了对历史的整体把握，也展示了对本课程知识地图的全局理解。

六、作业提交前的最终检查清单

1. ✅ 选题符合作业范围（算法/数学/统计/AI/ML 或组合），且叙事粒度清晰（人/思想/长时段）；
2. ✅ 时间线条目覆盖至少一个完整时代或一段连续脉络，而非零散孤立的事件；
3. ✅ 每个条目都有多媒体元素与可追溯参考来源；
4. ✅ 项目代码完整、本地运行无误，且已推送到 GitHub 仓库；
5. ✅ GitHub Pages 已启用并成功生成公开访问地址，线上验证通过；
6. ✅ 对照评分标准自评：是否达到了"已部署 + 研究充分 + 多媒体齐备"的优秀线。

完成这份作业后，你得到的不仅是一条时间线，更是一份可以长期更新的"ML 认知地图"——正如课程正文所说：理解这些计算机系统及其运行的软件与算法，才能由你自己来判断技术的未来走向。

• 教程
• 机器学习
• 人工智能