AI是基於大資料的，目前的AI機器學習仍然需要透過大樣本才能完成訓練，但是科學家們目前已經在研究如何運用小樣本來完成訓練，當實現這一步時，AI將會具備一定的邏輯推理能力。

AI實質性進展有很多，比如AI機器人在很多領域已經被應用了，還有無人駕駛汽車都有AI技術。

另外，大資料智慧和AI是分不開的，AI要靠大資料去驅動，他們是相輔相成的，AI是邏輯推理和演算法，而大資料是基礎。

未來科技的發展將是融合性的，各種先進技術都是需要互相融合。

是有關係的。比如我們做人工智慧識別舌象，資料越多，準確率越高。當然，前提是優質資料。這樣，它綜合了很多專家的判斷，所以它比很多醫生都厲害。

首先宣告一點 沒有大資料就沒有人工智慧，人工智慧的發展是基於大資料的基礎。

機器學習方向是最近幾年比較熱門的方向，伴隨著雲計算和大資料的發展，機器學習得到了比較廣泛的關注和應用，在智慧醫療、智慧交通、智慧物流、自動駕駛等領域有大量的基於機器學習的落地專案。

機器學習的目的簡單的說就是從一堆雜亂無章的資料中找到背後的規律，一般的機器學習步驟包括資料收集、資料整理、演算法設計、演算法實現、演算法訓練、演算法驗證和演算法應用等。與大資料以資料為中心不同，機器學習以資料為基礎，以演算法為中心，以應用為目的。比如以機器學習為基礎的智慧輔助診療專案，基礎是大量的歷史病例資料，然後透過相應的演算法給出當前病人的參考治療方案，而這個方案會給醫生很多專業的建議，方便醫生給出治療方案。類似的應用還有自動駕駛等場景的應用。

瞭解了機器學習的目的和操作步驟，下面我就介紹一下需要做哪些知識儲備。機器學習的核心是演算法設計，所以對於機器學習方向的研究生來說，首先要做的知識儲備就是演算法設計與分析。在進專案組之前瞭解常見的機器學習演算法是非常有必要的，比如像支援向量機、迴歸、樸素貝葉斯、決策樹、Apriori等常見演算法。另外需要熟練使用一門程式語言，這裡比較推薦使用Python語言。Python語言比較簡單易學，另外在機器學習領域使用Python做演算法實現也非常普遍，大部分機器學習專案都採用Python編寫。