hinton的论文只下载过一篇，而且没有深入看。但是这两年没少听和看各种机器学习的报告和教程。
我觉得最好的两套教程就是andrew和复旦的吴老师这两个了。
机器学习本身就是从人工智能脱出的子学科。机器学习要学的内容挺多的。第一次接触直到现在很多概念都是印象，比如加窗，紧支，rbf, cnn, fnn, dl, bp, hopfield, svm等等。主要是基于的数学方法，特别是范数、高阶偏导数、卷积、条件概率，以及凸优化判断等等。明显的，用到的知识脱出于高数、矩阵、复变、概率和运筹这五门最基础的课程。
至于能观能测伯德奈奎斯特等等的东西，则指系统控制的问题，比如超调，自适应，反馈，更多地是一种迅速地反应。搜索引擎的知识库积累，那显然是一个学习过程；而一个大电网的负载启停控制，则是控制问题。二者也有相互渗透的部分。知识库可以用根据一些人工原则进行干预控制；电网也可以根据学习机或者通过挖掘来判断关键的时间区域、空间区域等等，从而进行合理调度。
学习是呈现测量结果，控制则是去进行干预。一月的时候，理工周老师说的一句话很精炼：控制就是添加能量，改变系统状态。这样的话，自适应，自抗扰又怎么解释呢？所谓的自适应，也要根据人工的判断进行，即必须有一个原则库，一条知识。因此我们说控制不可能离开人存在，因为原则必须由人确定。控制是将控制的过程简化，根据人的意志意愿简单地完成控制任务，控制是怎样实施决策；学习则是通过测量结果，得出怎样的决策更好。