机器学习需求将 AI 概念与实际实现连接起来。人工智能、机器学习和深度学习是相关但不同的概念：AI 描述机器智能的广泛目标，机器学习使系统能够从数据中学习，深度学习使用神经网络学习复杂模式。实际部署示例展示这些概念如何出现在自动驾驶汽车、计算机视觉、疾病检测与诊断、文本和代码生成，以及芯片制造中。 机器学习依赖若干技术基础。训练数据教模型识别模式并预测输出。标注数据集可以支持自然语言处理、语音识别、图像识别、自动驾驶、欺诈检测、推荐系统、情感分析、医学诊断、目标检测和客户服务聊天机器人。机器学习技术定义模型如何学习，包括监督学习、无监督学习、强化学习和深度学习。每种技术适合不同类型的数据、反馈和预测问题。 软件技术栈包括编程语言、AI 库和模型框架。Python、R、Java、C++、Julia 和 MATLAB 分别支持不同的机器学习工作流程，从统计分析和快速原型开发，到企业集成、高性能计算和工程分析。TensorFlow、Keras、PyTorch 和 Scikit-learn 提供基于图的计算、高层 API、预训练模型、优化算法、可视化、预处理、模型训练和评估工具。 模型选择和评估决定机器学习结果是否有用。预训练模型和基础模型可以降低许多通用应用的开发工作量，而高度特定的工程问题可能需要从零开始进行自定义训练。评估指标必须匹配任务：分类指标用于类别标签，回归指标用于连续数值，聚类指标用于分组数据，排序指标用于有序输出。良好的指标选择使模型性能可测量、可比较。 领域知识赋予机器学习技术相关性。在芯片设计和 EDA 中，专家知识支持特征选择、数据预处理、模型选择和结果解释。实际例子包括选择布线金属层、选择 floorplan 布局、识别 RTL 编码错误、开发约束，以及选择 clock-tree 结构。强结果不仅依赖数据和算法，还依赖领域经验、模型设计、软件工具、计算资源和评估纪律的正确组合。 Catalogue: 人工智能与机器学习与深度学习 自动驾驶汽车中的机器学习 计算机视觉中的机器学习 疾病检测与诊断中的机器学习 文本和代码生成中的机器学习 芯片制造中的机器学习 机器学习的需求 AI 模型的训练数据 (一) AI 模型的训练数据 (二) 常见机器学习技术 监督式学习定义 监督式学习示例 无监督式学习定义 强化式学习定义 深度式学习定义 用于机器学习的编程语言 用于机器学习的 AI 库 选择机器学习模型 机器学习评估指标 机器学习中的领域知识