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)
在时间评估下，没有机器学习模型能显著超越站点-月气候学基准（提升不超过0.8个百分点）。
机器学习降水预报方法虽然速度更快，但常常生成物理上不一致、模糊的结果，并且持续低估极端事件。
AI在数学证明上的成功展示了机器学习在形式推理中的潜力，但并未直接转化为工程模拟的效率提升。
流体工程问题涉及非线性、多尺度相互作用和逆设计，当前计算成本极高，需要结合数值方法、物理建模和机器学习开发快速预测的代理模型。
机器学习在科学计算中的角色不一定是取代物理模型，而是作为纠偏层与现有模型协同，以较低成本释放既有基础设施的潜力。
自动化数据发现与分类分级工具通过扫描存储系统、数据库和文件共享，利用模式匹配、机器学习等技术识别敏感数据并自动打上分类标签。
自动化抓取和机器学习工具能以极低成本对海量公开信息进行筛选和关联分析。
在机器学习领域，可复现性尤其依赖三点：完整的训练细节、模型权重或推理接口的开放，以及评测基准与提示词等实验配置的披露。
强化学习常被视为机器学习中最难入门的领域之一——概念抽象、数学门槛高、调试困难。
传统材料研发依赖试错法，周期长、成本高；AI通过机器学习模型预测分子结构和宏观性能之间的关系，可减少物理实验次数，加速产品迭代。
还有 40 条时间轴事件
全部知识事实 (20)
Machine learning is typically divided into three major paradigms: supervised learning, unsupervised learning, and reinforcement learning.
90%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
80%已验证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%已验证主流机器学习模型依赖于从历史数据中学习模式，当极端事件训练样本极少或为零时难以有效预测
75%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
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%已验证机器学习的代表算法包括支持向量机（SVM）、决策树和朴素贝叶斯
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、机器学习、深度学习、大语言模型是层层嵌套的关系：人工智能最宽泛，机器学习是其子集，深度学习是机器学习的分支，大语言模型是深度学习的应用方向
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%已验证机器学习通过损失函数衡量预测值与真实标签的差距，再使用梯度下降等优化算法逐步调整模型参数以减小误差
65%已验证机器学习是人工智能的一个分支，其核心思想是让计算机通过数据自动学习规律，而非依赖显式编程
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%已验证文章建议采用「即时学习」（Just-in-Time Learning）方式学习数学，在实现算法遇到不理解的数学概念时再回头查阅，认为其记忆留存率高于脱离上下文的纯数学学习
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%