深度學習
與傳統的機器學習方法不同，深度學習是壹種端到端的學習方法。基於多層非線性神經網絡，深度學習可以直接從原始數據中學習，自動提取特征並逐層抽象，最終達到回歸、分類或排序的目的。在深度學習的驅動下，人們在計算機視覺、語音處理、自然語言等方面都取得了突破，達到甚至超過了人類的水平。深度學習的成功主要歸功於三個因素——大數據、大模型和大計算，所以這三個方向都是當前研究的熱點。
在過去的幾十年中，人們提出了許多不同的深度神經網絡結構，如卷積神經網絡，它廣泛應用於計算機視覺中，如圖像分類、物體識別、圖像分割、視頻分析等。循環神經網絡可以處理變長序列數據，廣泛應用於自然語言理解和語音處理。編解碼器是深度學習中常用的框架，多用於圖像或序列生成，如熱機器翻譯、文本摘要、圖像描述等。
加強學習
2016年3月，DeepMInd設計的基於深度卷積神經網絡和強化學習的AlphaGo以4:1擊敗頂級職業棋手李世珍，成為首個在沒有ceder幫助下擊敗圍棋職業九段棋手的計算機程序。這場比賽成為AI歷史上的裏程碑，也讓強化學習成為機器學習領域的熱門研究方向。
強化學習是機器學習的壹個子領域。本文研究的是主體如何在動態的系統或環境中以“試錯”的方式學習，並通過與系統或環境的相互作用來指導自己的行為，從而實現累積報酬或長期回報的最大化。由於其通用性，這個問題在許多其他學科中也被研究過，如博弈論、控制理論、運籌學、信息論、多智能體系統、群體智能、統計學和遺傳算法等。
遷移學習
遷移學習的目的是將為其他任務(稱為源任務)訓練的模型遷移到新的學習任務(稱為目標任務)中，以幫助新任務解決訓練樣本不足等技術挑戰。之所以能做到這壹點，是因為很多學習任務是相關的(比如圖像識別任務)，所以從壹個任務中總結出來的知識(模型參數)可以幫助解決另壹個任務。遷移學習是目前機器學習的研究熱點之壹，還有很大的發展空間。
▌對抗性學習
傳統的深度生成模型存在壹個潛在的問題:由於最大化概率似然，模型容易產生極值數據，影響生成效果。對抗性學習利用對抗性行為(如生成對抗性樣本或模型)來加強模型的穩定性，提高數據生成的效果。近年來，利用對抗學習思想進行無監督學習的生成對抗網絡(GAN)已成功應用於圖像、語音和文本等領域，成為無監督學習的重要技術之壹。
雙重學習
雙重學習是壹種新的學習範式。其基本思想是利用機器學習任務之間的雙重屬性，獲得更有效的反饋/正則化，引導和強化學習過程，從而減少深度學習對大規模人工標註數據的依賴。二元學習的思想已經應用於機器學習中的許多問題，包括機器翻譯、圖像風格轉換、問答和生成、圖像分類和生成、文本分類和生成、圖像到文本和文本到圖像等。
分布學習
分布式技術是機器學習技術的加速器，可以顯著提高機器學習的訓練效率，進壹步擴大其應用範圍。當“分布式”遇上“機器學習”，不應該局限於多機並行和底層實現串行算法的技術，而應該在對機器學習有完整理解的基礎上，將分布式和機器學習更緊密地結合起來。
元學習
元學習是近年來機器學習領域的壹個新的研究熱點。從字面上看，元學習就是學會如何學習，重點是理解和適應學習本身，而不僅僅是完成壹項特定的學習任務。換句話說，元學習者需要能夠評估自己的學習方法，並根據具體的學習任務調整自己的學習方法。