在瑞典斯德哥尔摩进行的诺贝尔物理学奖授予了两位科学家，Geoffrey Hinton 和 John Hopfield，以表彰他们在机器学习领域的贡献。

深度学习是AI领域的革新力量，它模拟人脑神经网络结构，通过多层非线性变换自动提取数据特征，实现模式识别、图像分类（CNN）、语音识别（RNN）等技术突破。初学者需掌握神经网络基础、反向传播算法，并建立数学基础。实践中，理论与应用并重，如Google改进搜索引擎、Facebook人脸识别。展望未来，鼓励投身深度学习研究，共同挖掘智慧宝藏，推动人工智能发展。

过去几十年，生物数据集的规模与复杂性大幅增长，这使得机器学习越来越多地用于为潜在生物过程构建信息与预测模型。所有机器学习技术都在让模型与数据相匹配；然而，具体的方法多种多样，乍一看似乎令人眼花缭乱。对于不同类型的生物数据，该如何选择特定的机器学习技术？ 2021年9月，发表在Nature Reviews Molecular Cell Biology上的综述文章“给生物学家的机器学习指南”，向读者简要介绍了一些关键的机器学习技术：既包括分类、回归、聚类模型等传统机器学习方法，也包括最近开发和广泛使用的涉及深度神经网络的技术。本文还记录了一些最佳做法与入门要点，并展望了机器学习应用于生物学的一些最令人兴奋的前景。