機器學習是一門多領域的交叉學科，涉及到電腦科學、概率統計、函式逼近論、最優化理論、控制論、決策論、演算法複雜度理論、實驗科學等多個學科，希望使用計算的方法來模擬人類的學習行為，從歷史（train）中獲得規律（模型），並將其用於新的類似場景之中（test或者實時的應用場景）
1、深度學習
深度學習是一類端到端的學習策略，可以從原始資料之中直接學習、自動抽取特徵並進行逐層的抽象（黑箱操作，我們並不知道他是怎麼進行的），最終實現回歸和分類等任務。深度學習的成功發展在於：大資料、大計算和大模型。深度學習剛被提出的時候沒有被重視。隨著硬體條件的發展，深度學習的優勢也就體現了出來
2、強化學習
強化學習研究的是智慧型體如何在動態系統之中以『試錯』的方式進行學習，從而通過環境的互動來獲得最大回報，該問題在博弈論、控制理論、運籌學、資訊理論、動智慧型系統、群體智慧型、統計學和遺傳演算法等領域也進行了相關的研究
3、遷移學習
把為其他任務訓練好的模型遷移到新的學習任務之中，幫助新任務解決訓練不足等解決挑戰。應用遷移學習的前提條件是『人物之間存在相關性』。應用較廣的是：影象的cnn。底層就是提取影象的特徵，如果遇到訓練資料不足的問題，就可以使用其他任務訓練好的框架。
4、對抗學習
傳統的深度生成模型存在著潛在的問題：因為最大化概率似然，模型更傾向於生成偏極端的資料，從而影響資料的生成效果。對抗學習利用對抗性行為來加強模型的穩定性，t提高資料的生成效果。具有代表性的就是gan.
5、對偶學習
對偶學習是一種學習的新正規化，基本思想是利用機器學習之間的對偶屬性獲得更有效的反饋/正則化、引導、加強學習的過程，從而降低深度學習對大規模人工標註資料的依賴。
6、分布式學習
可以加快機器學習的訓練速度、提高機器學習的訓練效率
7、元學習
元學習的基本思想是讓智慧型體學會如何學習。這樣學習的方法就有可能有一定的普適性。
1、內部結構更加的『透明』，具有可解釋性
現在的深度學習網路，類似於黑箱操作，我們並不知道網路中引數具體有什麼意義。從利用資料的相關性來解決問題，到利用資料的因果邏輯來解釋和解決問題。
2、輕量級的機器學習和邊緣計算
邊緣計算值得是在網路邊緣來處理和分析資料，而邊緣節點指的是資料產生源頭和雲計算中心之間具有計算資源和網路資源的節點（手機就是人和雲計算中心之間的邊緣節點，而網管則是智慧型家居和雲計算中心之間的邊緣節點），在理想情況下，邊緣計算指的是在資料產生源附近分析、處理資料，降低資料的流轉，進而減少網路流量和響應時間。機器學習和邊緣計算的結合顯得尤為重要。
3、量子機器學習
量子計算機利用量子相干和量子糾纏效應來處理資訊，和經典計算機有著本質的區別（很多物理大佬都在研究，比如潘建偉）。通過量子計算機可以大幅度的加快計算機的運算速度，對於現在的密碼學有一定的衝擊。
4、普適而簡潔的定律
關注的問題主要在於：是否可以設計一種方法來自動學習和發現現象背後的數學定律。
機器學習的發展史
關於機器學習的詳細內容 機器學習入門 概念原理及常用演算法 本課程主要講解機器學習的概念 原理和應用場景，以及機器學習的常用演算法，比如有監督學習 無監督學習 線性回歸等。以掌握機器學習的概念 原理和演算法為目標，適合大資料開發者 機器學習開發者學習 機器學習是人工智慧研究較為年輕的分支，它的發展過...
機器視覺技術的發展動態
全球能源危機及環境汙染的嚴峻形勢，使得低碳經濟理念越來越深入人心，改善產業結構以減少浪費和 增長效益對企業 的發展至關重要 加之人工成本 和勞動力短缺也促使企業加大了 自動化技術的投資力 度 以提高生產效率。機器視覺 自動化裝置可以不知疲倦地重複工作，在一些不適於人工作業的危險工作環 境或人工視覺難...
機械人發展歷史
智慧型機械人是最複雜的機械人，也是人類最渴望能夠早日製造出來的機器朋友。然而要製造出一台智慧型機械人並不容易，僅僅是讓機器模擬人類的行走動作，科學家們就要付出了數十甚至上百年的努力。1921年 捷克斯洛伐克作家 卡雷爾 恰佩克 在他的科幻 中，根據robota 捷克文，原意為 勞役 苦工 和robo...