1.1　構建能把數據轉換為知識的智能機器

在當今的科技時代，大量結構化和非結構化數據是我們的豐富資源。機器學習在20世紀下半葉演變為人工智能（AI）的一個分支，它通過自學習算法從數據中獲得知識來進行預測。機器學習并不需要事先對大量數據進行人工分析，然后提取規則并建立模型，而是提供了一種更為有效的方法來捕獲數據中的知識，逐步提高預測模型的性能，以完成數據驅動的決策。

機器學習不僅在計算機科學研究中越來越重要，而且在日常生活中也發揮出越來越大的作用。歸功于機器學習，我們今天才會擁有強大的垃圾郵件過濾器、方便的文本和語音識別軟件、可靠的網絡搜索引擎、具有挑戰性的下棋程序。期待在不久的將來，我們可以享受安全且高效的自動駕駛汽車。此外，機器學習在醫療應用方面也取得了顯著的進展，例如，研究人員證明，深度學習模型檢測皮膚癌的準確性與人類的檢測結果接近（https://www.nature.com/articles/nature21056）。最近出現的另外一個里程碑是DeepMind的研究人員實現用深度學習來預測三維蛋白質結構，這優于起初基于物理的方法（https://deepmind.com/blog/alphafold/）。