机器学习（Machine Learning，简称ML）是一种人工智能（AI）的分支，致力于研究让计算机系统能够从数据中学习并自动改进性能的算法和技术。机器学习使计算机系统能够从经验中学习，而不需要明确地进行编程。
随着谷歌的开源TensorFlow Lite嵌入式机器学习架构和类似产品的推出，以及诸如Imagination公司的PowerVR神经网络加速器（NNA）等硬件加速器在移动设备或嵌入式设备上商用，各种功耗和成本更低的，以及更加小巧的嵌入式AI/ML功能解决方案不断涌现。
AI和机器学习是自动驾驶汽车成功的关键
机器学习最常用的应用程序之一是异常检测。在这篇文章中，我们将讨论如何进行异常检测，可以使用哪些机器学习技术，以及使用机器学习进行异常检测的好处。
今天的人工智能要如何应对图灵测试？这种测试方法还能发挥它的价值吗?
本文简单介绍一些用于虚拟筛选和机器学习的材料数据库。
机器学习(ML)在材料化学中的应用的最新进展表明机器学习可以加速新材料的发现。
深度学习是机器学习算法的子类，其特殊性是有更高的复杂度。因此，深度学习属于机器学习，但它们绝对不是相反的概念。我们将浅层学习称为不是深层的那些机器学习技术。
本文介绍目前常见的几种可以提高机器学习模型的可解释性的技术，包括它们的相对优点和缺点。
作者主要讨论了几种重要的机器学习方法，重点介绍它们的优缺点。
一个不变的事实是，机器学习团队很难设定目标和期望。这是为什么呢？