1949年，赫布出版了《行為的組織》，介紹了Hebb學習規(guī)則，提出權值的概念。這一理論為機器學習中的人工神經網絡的學習算法奠定了基礎。（人工神經網絡即深度學習的前身。）

1950年

1950年，阿蘭.圖靈在1950年發(fā)表論文《計算機器與智能》，在該論文中提出了機器思維的概念和圖靈測試。由此，圖靈又被稱為“人工智能之父”。二戰(zhàn)期間，他的團隊在1943年研制成功了被叫做“巨人”的機器，用于破解德軍的密碼電報，這一貢獻讓二戰(zhàn)提前2年結束。

1952年

計算機科學家阿瑟·薩繆爾開發(fā)了一個跳棋程序，具有自我學習的能力，訓練后可以挑戰(zhàn)人類專業(yè)跳棋選手。

同時，薩繆爾還提出了“機器學習”的概念。

1956年

在達特茅斯會議上，約翰·麥卡錫提出了“人工智能”的概念。因此1956年也被稱為人工智能元年。

1957年

羅森布拉特發(fā)明感知機，是機器學習人工神經網絡理論中神經元的最早模型。

由于人工神經網絡理論的突破，人工智能領域受到極大的關注，政府機構投入了大筆資金建立了許多相關的項目。

1960年

維德羅首次將Delta學習規(guī)則用于感知器的訓練步驟。這種方法后來被稱為最小二乘方法。

1967年

最近鄰算法kNN出現，由此計算機可以進行簡單的模式識別。

1969年

馬文·明斯基出版了《感知機》一書，書中提出了人工神經網絡的局限。由于明斯基在人工智能領域的重要地位，同時由于人工智能研究領域出現了瓶頸，人工智能項目的研究者無法兌現之前的承諾，人們對于人工智能的樂觀期望遭到了嚴重打擊，許多項目的研究經費也被停止或轉移到其他項目，人工智能的研究陷入低谷。最為嚴重的是以人工神經網絡為研究方向的連接主義學派受到打擊，研究陷入停滯狀態(tài)。

1982年

Hopfield提出一種新型的神經網絡，后來被稱為Hopfield網絡，使用一種全新的方式進行學習和處理信息。同時反向傳播算法，一種神經網絡的訓練方法被提出，這種算法也是深度學習理論的重要算法之一。沉寂多年的人工神經網絡方向的研究重新獲得發(fā)展。

1986年

昆蘭提出決策樹算法，又稱為ID3算法。相對于神經網絡模型，決策樹ID3算法也被作為一個軟件，通過使用簡單的規(guī)則和清晰的參考可以找到更多的現實生活中的使用情況。數據挖掘中決策樹是一種經常要用到的技術，可以用于分析數據，同樣也可以用來作預測。

1990年

Freund和schapire改進了Boosting算法，提出了AdaBoost（Adaptive Boosting）算法，該算法效率和Freund于1991年提出的Boosting算法幾乎相同，但更容易應用到實際問題當中。同年，機器學習領域中一個最重要的突破，支持向量機（SVM），由瓦普尼克和科爾特斯在大量理論和實證的條件下提出。從此將機器學習研究分為神經網絡方向和支持向量機方向。

1997年

IBM的超級計算機深藍戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫，引起了世界的關注。

2001年

布雷曼提出集成決策樹模型，它是由一個隨機子集的實例組成，并且每個節(jié)點都是從一系列隨機子集中選擇。由于它的這個性質，被稱為隨機森林（RF），隨機森林也在理論和經驗上證明了對機器學習中常常遇到的難題-過擬合的抵抗性。

2006年

神經網絡專家Hinton提出神經網絡深度學習算法，使神經網絡的能力大大提高，向支持向量機發(fā)出挑戰(zhàn)，同時開啟了深度學習在學術界和工業(yè)界的浪潮。

2011年

由IBM創(chuàng)建的Watson，在電視游戲中擊敗了兩個前Jeopardy冠軍，肯詹寧斯和布拉德魯特。

Apple發(fā)布了Siri，Apple iOS操作系統(tǒng)的虛擬助手。Siri使用自然語言用戶界面來向其人類用戶推斷，觀察，回答和推薦事物。它適應語音命令，并為每個用戶投射“個性化體驗”。

2015-2017

谷歌DeepMind的AlphaGo，一個玩棋盤游戲Go的計算機程序，擊敗了各種（人類）冠軍。

2016年

一個名為Sophia的人形機器人由Hanson Robotics創(chuàng)建。她被稱為第一個“機器人公民”。Sophia與以前的類人生物的區(qū)別在于她與真實的人類相似，能夠看到（圖像識別），做出面部表情，并通過人工智能進行交流。

2018年

三星推出虛擬助手Bixby。Bixby的功能包括語音，用戶可以在這里與他們交談并提出問題，建議和建議; 視覺，Bixby的“ 視覺 ”能力內置于相機應用程序中，可以看到用戶看到的內容（即對象識別，搜索，購買，翻譯，地標識別）; 和Home，Bixby使用基于應用程序的信息來幫助用戶使用和交互（例如天氣和健身應用程序）。