机器学习

这个机器学习库是一个为机器学习社区提供服务的资源库，目前维护着664个数据集。这些数据集被全球数百万人使用，用于机器学习的实证分析、领域理论和数据生成。这些数据集作为机器学习算法的标准测试数据集，因其“标准”特性而备受重视。新编的机器学习程序可以使用这些数据集进行测试，以比较不同算法的性能。

根据《工业与工程化学研究》杂志的报道，日本北海道大学的研究人员开发出一种基于机器学习的模型，可以通过照片来识别和区分固体化学混合物的成分比例。这种方法首先以糖和盐的混合物为测试对象进行了开发和验证。通过对原始照片进行随机裁剪和旋转，研究人员利用300张照片就成功训练出了这个模型。实验结果显示，这个模型的精确度约为专家肉眼识别的两倍。

德国马克斯·普朗克科学促进学会（Max-Planck Society）的研究人员开发出用于耐腐蚀合金设计的机器学习模型，与现有框架相比，该模型预测精度提高了15%。

机器学习模型通常学习潜在的嵌入表示，以捕获训练数据的领域语义。这些嵌入表示对于解释训练模型、构建新模型和分析新数据集非常有价值。然而，由于嵌入的不透明性、高维性和现代数据集的庞大规模，解释和使用嵌入可能具有挑战性。为了应对这些挑战，新研究推出了 WizMap，这是一种交互式可视化工具，可以帮助研究人员和从业者轻松探索大型嵌入。凭借新颖的多分辨率嵌入摘要方法和熟悉的类似地图的交互设计，WizMap 使用户能够轻松导航和解释嵌入空间。

德国亥姆霍兹德累斯顿罗森多夫研究中心（Helmholtz-Zentrum Dresden-Rossendorf，HZDR）高级系统理解中心（Center for Advanced Systems Understanding，CASUS）的研究人员开发出一种基于机器学习的模拟方法取代传统的电子结构仿真技术，可以为材料建模提供大规模的精确电子结构计算。

预测分子性质和产生新分子对材料和药物的发现至关重要。机器学习（ML）技术的进步使它们被用于材料和药物的发现。

一个包含来自 64 家公司的 200 个案例研究数据库，这些案例分享了实用的机器学习用例以及设计机器学习系统的经验教训。

据美国国土安全部（DHS） 1月5日消息，DHS启动基于机器学习的高级分析平台建设。该平台由国土安全部科技部（DHS S&T）与网络安全和基础设施安全局（CISA）合作建设，旨在建立下一代分析生态系统，以应对不断变化的网络威胁并保护基础设施免受网络攻击。

洛桑联邦理工学院一组科学家提出了一种机器学习解决方案，用于使用德国一家实际工厂压力测试的实验数据来预测碳捕获工厂的胺排放量。

美国华盛顿大学科学家设计出一种机器学习算法Deep-SMOLM，生成了蛋白质的五维（5D）图像，包括单个分子的方向和位置等信息。相关研究发表于近期出版的《光学快报》杂志，有助于科学家更好地理解微小尺度下的生物学过程。

美国空军研究实验室（AFRL）与BAE系统公司签订一份价值780万美元的合同，将开发集成式机器学习软件，旨在实现先进态势感知和自动目标识别能力（ATR）。

Charles River数据分析公司正在为美国海军开发企业级监测分布式分析工具（DATEM）技术。该技术使用机器学习（ML）技术来监测和分析关键系统的健康/状态数据，然后以人类可理解的形式传达分析结果并给出纠正措施建议。

美国西北大学和丰田研究所研究人员已成功应用机器学习来指导新纳米材料的合成，消除与材料发现相关的障碍。这种训练有素的算法，可通过定义数据集来准确预测可用于清洁能源、化学和汽车行业燃料的重要催化剂。

3D打印在制造各种物品（从定制医疗设备到经济适用房）方面的日益普及，对专为特定用途设计的新型3D打印材料产生了更多需求。

根据今天发表在《自然方法》杂志上的评论文章，使用机器学习进行研究的生命科学领域的研究人员应该采用允许其他研究人员重现他们的结果的标准。以便其他生命科学研究人员可以信任工作，并在必要时验证工作并在此基础上继续发展。

这个在线学习平台正在构建一个适应您知识水平和兴趣的学习平台，为您量身定制内容。到目前为止已经为机器学习构建了一个概念和依赖关系的知识图谱，这意味着您可以找到实现目标的最快路径。

随着5G技术部署率的提高，研究人员已将注意力转向6G。新的用例和潜在的性能不足的问题，已经开始了6G研究热潮。其中几个关键的研究课题已经开始上升到顶点。主题包括太赫兹通信、量子通信、大数据分析、无蜂窝网络和普适人工智能（AI）。

麻省理工学院(MIT)的研究人员构建了一个人工智能框架，可以通过学习已出版的科学文献识别并提取未来的高影响力技术，并对研究人员发出信号进行“早期预警”。

德国慕尼黑大学与柏林弗里茨·哈伯研究所的科学家们，已经找到了一条依靠主动式机器学习（AML）技术，来持续改进光伏面板的新方法。传统意义上的学习，无非是借鉴以往的经验。即便需要应对新的情况，AI 也相当依赖于此前已经处理过的大致相似状况。不过本文介绍的主动式学习技术，似乎已经开辟出了一个几乎无限的可能。

英国爱丁堡赫瑞瓦特大学智能系统小组的研究人员与美国马里兰大学CALCE小组的研究人员合作，开发了一种精准预测电池健康状态的机器学习新方法，通过给人工智能（AI）算法输入原始的电池电压和当前的运行数据，来估计电池的健康状况，而不考虑运行条件和电池设计或化学成分。

ML我们都很熟了，而TinyML则是Tiny Machine Learning的缩写，直译为“微型机器学习”，是一种面向特定嵌入式产品的机器学习技术。tinyML的主要行业受益者是边缘计算和节能计算。 TinyML源自物联网（IoT）的概念。 物联网的传统思想是将数据从本地设备发送到云进行处理。 一些人对此概念提出了一些担忧：隐私，延迟，存储和能源效率等等。