ML-For-Beginners 课程实战指南构建机器学习历史时间线Create a Timeline 作业全解析【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners本指南基于 ML-For-Beginners 课程第 2 课《机器学习的历史》配套作业英文原版见 assignment.md西班牙语译本见 translations/es/1-Introduction/2-history-of-ML/assignment.md完整拆解作业要求、评分标准与实现路径。通过本文你将掌握如何借助开源的 timeline-builder 时间线构建工具围绕算法、数学、统计学、AI 或 ML 的历史素材制作一条带有多媒体元素的时间线并将其部署为 GitHub Pages 页面同时系统重温课程中从贝叶斯定理到深度学习的百年发展脉络。上图是课程配套的《机器学习历史》手绘 sketchnote作者 Tomomi Imura本身就是一条浓缩版历史时间线可作为你构建作业时间线时的结构参考。一、作业在课程中的位置该作业位于课程第一单元Introduction的第 2 课《The History of machine learning and AI》由 Jen Looper 与 Amy Boyd 编写见 1-Introduction/README.md 的 Credits 说明。它属于「课程后作业」紧接在 2-history-of-ML/README.md 的正文内容与课后小测之后其前置知识正是该课讲述的完整历史叙事——从 18 世纪的数学先驱到 1950 年代的图灵测试、1956 年达特茅斯会议再到 AI 寒冬、专家系统与当代深度学习时代。与其配套的教学资源还包括课程正文2-history-of-ML/README.md授课讲义 PDFlesson-2.pdf历史插图素材images/shakey.jpg 与 images/eliza.png该作业的设计意图是用「做」来检验「学」把课堂上以文字叙述的历史脉络转化为一条可视化、可交互、可部署的时间线考察学习者对历史关键节点的理解深度、信息检索能力与前端部署基本功。二、作业要求逐条解析作业正文Instructions的核心要求如下使用指定的 timeline-builder 开源仓库构建时间线。该工具以数据驱动的思路组织时间线内容具体的使用方式、数据文件格式与构建命令请以该仓库自身的 README 文档为准。选题范围算法、数学、统计学、AI 或 ML 的历史也可以是上述主题的组合。聚焦方式三选一聚焦一个人物如 Alan Turing、Frank Rosenblatt、John McCarthy、Marvin Minsky聚焦一个思想/概念如贝叶斯推理、神经网络、专家系统覆盖一个长时段的思潮演进如 1956–1974 黄金年代、1974–1980 AI 寒冬。必须添加多媒体元素multimedia elements例如历史照片、手绘示意图、视频嵌入、访谈音频等让时间线不只是日期堆砌。值得注意的是作业对「时间线」的呈现形态有明确预期评分细则中「优秀」等级的标准是A deployed timeline is presented as a GitHub page——即最终产物必须是一条已部署为 GitHub Pages 页面的时间线而非仅仅停留在本地或仓库中未运行的代码。三、选题素材库直接取材于第 2 课正文作业允许自行选题但最稳妥、也最能体现课堂知识吸收的做法是直接从课程正文 2-history-of-ML/README.md 中选取素材。课程正文本身已经给出了一条清晰的时间线索可以按以下两类组织你的时间线3.1 关键算法与数学发现适合「思想/概念」型选题年份事件课程描述要点1763 / 1812贝叶斯定理及其前身基于先验知识描述事件发生概率是推断inference的基石1805最小二乘理论Adrien-Marie Legendre用于数据拟合后续在课程回归单元2-Regression中深入学习1913马尔可夫链Andrey Markov基于前一个状态描述一系列可能事件1957感知机Frank Rosenblatt一种线性分类器是深度学习发展的底层支撑1967最近邻算法最初用于路径规划ML 语境下用于模式检测1970反向传播用于训练前馈神经网络1982循环神经网络RNN由前馈神经网络衍生构建时序图结构3.2 时代里程碑适合「长时段思潮」型选题1950会思考的机器——Alan Turing 提出图灵测试为「机器能思考」奠定概念基础该概念后续在课程 NLP 单元继续展开。1956达特茅斯夏季研究项目——术语「artificial intelligence」在此被正式命名John McCarthy 主持Marvin Minsky 参与催生了符号方法、早期专家系统、演绎系统与归纳系统之争。1956–1974「黄金年代」——NLP 研究繁荣、搜索技术精进、「微世界micro-worlds」概念诞生代表性成果包括 Shakey 机器人、ELIZA 聊天机器人与 SHRDLU 积木世界。1974–1980「AI 寒冬」——算力受限、组合爆炸、数据匮乏图灵测试遭到「中文房间」思想实验质疑ELIZA 的伦理问题被提出同时形成「整洁派neatvs 杂乱派scruffy」两大流派。1980 年代专家系统——由规则引擎与推理引擎组成的混合系统成为首批真正成功的 AI 软件形态。1987–1993AI「降温」——专用硬件过度专精个人电脑普及带来算力民主化为大数据时代铺路。1993–2011——数据量与算力双双爆发2007 年智能手机普及尤为关键ML 从自由探索走向真正意义上的学科化。今天——算法深度介入人类生活隐私、表达自由等权利议题与负责任的 AI 成为核心关切。若选择「人物」型选题可参考课程正文中提及的 Turing、McCarthy、Minsky、Rosenblatt、Legendre、Markov 等人并结合课程末尾的挑战题Dig into one of these historical moments做延伸研究。四、时间线内容如何组织从叙事到条目无论使用什么工具一条合格的历史时间线都需要先把「叙事」转化为「结构化条目」。建议每个事件条目至少包含以下字段日期/时间区间精确到年份即可长时段事件给区间事件标题一句话概括人物/组织谁推动了这件事详细描述2–4 句话说明技术内涵与历史意义可复述课程正文中的要点多媒体素材图片、视频、音频的 URL 或本地文件以课程正文素材为例一个「1956–1974 黄金年代」的条目可以这样组织1966Shakey 机器人——斯坦福研究院SRI研制的移动机器人可自主机动并「智能地」决定如何执行任务被视为早期 AI 实体化的代表。课程提供了其历史照片1966ELIZA——早期「聊天机器人chatterbot」能与人对话并扮演初级「心理治疗师」本质是基于模式匹配的交互程序。课程提供了其对话界面截图1968–1970Blocks World / SHRDLU——积木堆叠排序的「微世界」实验环境用于测试机器决策与语言处理能力。多媒体元素的选择标准应与课程风格一致课程正文大量使用 sketchnote如 sketchnotes/ml-history.png、历史照片与视频链接来辅助讲解你的时间线也应遵循「图文并茂、一图一义」的原则为每个重要节点配上能说明其技术特征的多媒体内容。五、从本地构建到 GitHub Pages 部署作业评分的分水岭在于是否完成部署。参照「优秀」等级「deployed as a GitHub page」的要求完整流程通常分为两步本地构建按照 timeline-builder 仓库的 README 说明将整理好的时间线数据填入工具要求的数据文件运行构建命令生成本地静态页面在浏览器中预览并检查日期排序是否正确、每个节点描述是否完整、多媒体是否正常加载、页面在不同屏幕尺寸下是否可读。部署到 GitHub Pages将包含构建产物通常是index.html及配套资源的分支推送到 GitHub 仓库然后在仓库的 Settings → Pages 中将发布来源Source指向该分支及必要的目录保存后即可获得公开访问的 Pages 地址。由于 Pages 部署需要等待构建与发布建议在提交前先本地完整验证一次避免反复推送。需要说明的是timeline-builder 的具体数据格式与命令以该仓库文档为准本指南不替该工具虚构接口作业原文也明确要求「Using this repo」因此以工具仓库自身的 README 为操作依据是本作业的前提。六、评分标准Rubric逐级拆解作业附带的评分表只有一列评估维度三个等级完整复刻如下标准优秀Exemplary合格Adequate需改进Needs Improvement综合时间线已部署为 GitHub 页面并成功呈现代码不完整且未部署时间线不完整、研究不充分且未部署对照三个等级的达成要点优秀时间线完整覆盖所选主题的关键节点事件描述经过充分研究可参考课程正文与讲义 lesson-2.pdf 交叉核对史实多媒体元素与主题强相关最终成功部署为 GitHub Pages 页面链接可公开访问。合格时间线内容基本成型但代码存在缺口如数据未填全、构建报错、页面渲染不完整且停留在本地、未完成部署。需改进选题研究不深入、节点大量缺失、多媒体缺失且完全没有部署动作。可以看出「部署」是拉开档次的决定性动作——即使内容不错只要未部署最高也只能停留在「合格」。建议把「先本地跑通、再部署上线」作为硬性完成标准。七、从历史到课程的闭环作业的深层价值这条时间线并非孤立的展示品它与课程后续单元存在多处呼应做作业时不妨顺手标注这些连接点让时间线真正成为课程地图回归单元2-Regression将深入学习 1805 年 Legendre 的最小二乘理论你的时间线可以预告这一知识落点NLP 单元6-NLP将重新讨论图灵测试与 ELIZA 的语言交互原理分类单元4-Classification感知机1957与最近邻1967正是分类算法谱系的源头强化学习单元8-Reinforcement与「机器自主决策」的传统一脉相承可回溯到 Shakey 机器人的时代。通过这种方式作业成果就从「一条历史时间线」升级为「贯穿整个 ML-For-Beginners 课程的知识索引」这也正是课程在正文结尾所期待的理解这些系统、软件与算法让你能对 AI 的未来形成自己的判断。八、完成检查清单提交前对照以下清单自检确保达到「优秀」等级选题是否明确属于算法 / 数学 / 统计学 / AI / ML 历史范畴且聚焦于一个人物、一个思想或一个长时段时间线是否完整覆盖所选主题的主要节点每个条目是否包含日期、标题、描述与出处是否已添加多媒体元素图片、视频或音频且与节点内容强相关是否已按 timeline-builder 仓库文档完成本地构建并预览通过是否已部署为 GitHub Pages 页面且公开链接可以正常访问日期排序、中英文/语言一致性与拼写是否正确完成以上全部检查你不仅交付了一条可访问的历史时间线也系统复习了 ML 从数学萌芽到深度学习浪潮的完整演进史——这正是第 2 课与本次作业希望达成的双重目标。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考