机器学习
人工智能的一个子领域，研究如何使计算机系统从数据中自动学习和改进，无需显式编程
核心事实
时间轴 (近 90 天)
未来更可能的方向是符号学习和机器学习的结合，兼顾可解释性与自学习能力。
机器学习是当前最主流的AI实现方法，特点是数据驱动、自我优化，应用场景覆盖无人驾驶、股价预测、图像识别与定位、垃圾邮件自动检测、房价预测等。
业界常说“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限”。
一门结构化的数据科学课程通常涵盖Python编程、统计学基础、数据清洗与可视化、机器学习算法入门以及实战项目开发。
根据 College Project Expert 的观察，加尔各答当地最热门的毕业项目方向集中在机器学习、人工智能、物联网和 Android 开发。
机器学习可以用于检测垃圾邮件、识别人脸，以及通过叶片图像判断植物病害。
机器学习近年大规模落地是因为算力提升、海量数据积累和算法改进三者叠加的结果。
Delimitrou的研究核心是将机器学习引入云系统的资源管理，包括工作负载预测与动态调度、跨服务资源协调、自动化能效优化
地面真值（ground truth）是机器学习与地理信息领域的基础概念，指通过现场直接观测获得的、可作为验证基准的真实数据。
AI和机器学习在微观模拟中的贡献包括：利用梯度提升、随机森林等算法更准确地预测个体对激励变化的反应，以及通过自然语言处理从非结构化文本中提取政策细节自动更新模型参数。
还有 40 条时间轴事件
全部知识事实 (20)
机器学习分为监督学习、非监督学习和半监督学习三大类
80%已验证模型校准（calibration）在统计学中定义为：若模型声称某答案有70%置信度，则大量此类声明中实际正确的比例应接近70%
75%已验证Andrew Ng 的机器学习课程在 Coursera 上提供，适合建立理论框架
75%已验证AI 编程工具正呈现从「快速生成」走向「深思熟虑」的演进趋势
75%已验证训练数据的质量和多样性直接影响模型输出可靠性，包含大量低质量、矛盾或虚假信息的训练数据可能导致模型学习到错误模式
70%已验证当输入约束减少时，机器学习模型会更多地依赖其先验分布，即训练过程中形成的关于某个概念的默认理解
70%已验证机器学习方法已在材料科学、蛋白质结构预测、气候建模等领域展现出加速研究的能力
65%已验证深度学习是当前图像识别、自然语言处理、语音合成等主流AI能力的底层支撑技术
65%已验证人工智能作为学科概念已存在数十年，涵盖机器学习、计算机视觉、强化学习、符号推理等广阔领域
65%已验证塞缪尔在1959年发表的论文中首次使用了machine learning这一术语，并将其定义为让计算机在没有被明确编程的情况下获得学习能力的研究领域
65%已验证机器学习入门的可行路径为：数学补强、经典算法入门（线性回归、逻辑回归、决策树）、掌握深度学习框架、项目实战
65%已验证深度学习是机器学习的一个子领域，核心是多层人工神经网络，思想最早可追溯至1940年代
65%已验证入门机器学习时应采取直觉先行、数学随后的"自顶向下"学习路径，而非先系统学完线性代数和概率论
65%已验证对机器学习而言，需要的是概念理解与几何直觉，而非熟练的手算能力
65%已验证研究型机器学习需要线性代数、概率统计和最优化理论作为数学基础
65%已验证机器学习的代表算法包括支持向量机（SVM）、决策树和朴素贝叶斯
65%已验证机器学习系统通过对大量数据的训练自动发现规律并在新数据上进行泛化预测
65%已验证研究表明超过60%的机器学习论文结果难以被独立复现
65%已验证人工智能、机器学习、深度学习之间存在递进包含关系：人工智能 > 机器学习 > 深度学习
65%待验证NumPy是科学计算的基石，提供高性能多维数组对象和数学工具，几乎所有机器学习框架底层都依赖NumPy的数组运算
90%