经典的机器学习系统涉及在一台机器上运行的单个程序

　　1、环境资源的有效利用和突破 　　机器学习关注如何用计算的方法模拟类人的学习行为，从历史经验中获取规律（或模型），并将其应用到新的类似场景中。机器学习的最新进展是由新的学习算法和理论的发展以及在线数据和低成本计算的持续爆炸所推动的。但机器学习领域还很年轻，它仍在迅速扩展。 　　一个主要趋势是关于机器学习算法运行的环境（计算体系结构）。而经典的机器学习系统涉及在一台机器上运行的单个程序，现在机器学习系统通常部署在包含数千或上万个处理器的体系结构中，而并行和分布式技术以及通讯限制成为了焦点技术难题。 　　机器学习研究人员正越来越多地将环境中的不同数据间的关系形式化，旨在设计在各种环境中都可证明有效的算法，明确正确的用户表达和资源控制之间的权衡。 　　迁移学习和分布式学习沿着对环境资源的有效利用和突破进行开发。迁移学习的目的是把为源任务训练好的模型迁移到目标任务中，帮助新任务解决训练样本不足等技术挑战。很多学习任务之间存在相关性，因此从一个任务中总结出来的模型参数可以对解决另外一个任务有所帮助。迁移学习目前是机器学习的研究热点之一，还有很大的发展空间。分布式技术是机器学习技术的加速器，能够显著提高机器学习的训练效率、进一步增大其应用范围。 　　2、实现无监督机器学习 　　对偶学习是一种新的学习范式，其基本思想是利用机器学习任务之间的对偶属性获得更有效的反馈/正则化，引导、加强学习过程，从而降低深度学习对大规模人工标注数据和监督的依赖。 　　元学习（Meta Learning）是近年来机器学习领域的一个新的研究热点。字面上来理解，元学习就是学会如何学习，重点是对学习本身的理解和适应，而不仅仅是完成某个特定的学习任务。也就是说，一个元学习器需要能够评估自己的学习方法，并根据特定的学习任务对自己的学习方法进行调整，是自动化机器学习的重要构成。