机器学习（ML）是 AI 核心分支：**让机器从数据中自主学习规律、泛化预测，而非显式编程规则**。本文系统梳理 ML 原理、工程流程、深度学习进阶与工业落地图谱。 机器学习核心范式 监督学习：标注数据 (X, y) → 学习映射 f: X→y。分类（缺陷判别）、回归（寿命预测） 无监督学习：无标签数据 → 发现内在结构。聚类（工况分型）、降维（特征压缩）、异常检测（孤立森林/自编码器） 半监督/自监督：少量标签 + 大量无标签，一致性正则/对比学习/掩码建模，缓解标注瓶颈 强化学习：智能体与环境交互 → 最大化累积奖励。调度优化、机器人控制、工艺参数自适应 ML 项目工程化四阶段标准化

数据科学家是数据科学项目成功关键。但他们不能孤军奋战。需要其他技能组合帮助，以及自动化方案。 数据，润滑现代机器齿轮的石油。但有问题。组织挣扎于从这新动力获取业务洞察。 供不应求 市场上许多企业客户试图建超大数据科学团队。一些想雇佣数百人应对数据爆炸；源从客户输入到IoT设备——这将成主渠道。 但不易，数据科学家巨缺。 有Gartner所称“公民数据科学家”——主要工作职能在统计分析领域外，但创建或生成使用高级诊断分析或预测处方能力模型的人——他们为专家数据科学家提供互补角色。不替代专家，因无特定高阶数据科学专长。 即使这样，许多企业真难建立公民数据科学团队，更别说数据科学家团队。 数据科学

机器学习定义 机器学习是自动化分析模型构建的数据分析方法。基于“机器能从经验学习”理念的人工智能分支。过往成果：自动驾驶、语音识别、高效网页搜索……机器学习无处不在，大众每天不知不觉使用数十次。 机器学习在日常生活的应用 医疗健康： 可穿戴设备/传感器实时采集患者数据评估健康状态；辅助专家挖掘数据识别风险标志，提升诊断精度。 政府公共服务： 多源数据挖掘洞察。传感器数据分析提效降本；反欺诈、身份盗窃预警。 金融服务： 银行等机构挖掘数据洞察防欺诈。识别投资机会、辅助交易决策；高风险客户画像、网络监控预警欺诈。 交通运输： 数据模式挖掘优化路线、预测风险增盈。数据建模工具服务物流、公共交通等组织

机器学习早已家喻户晓，但鲜有人知如何着手应用。希望阅读本文能帮助您理解如何利用 PLCnext 控制器开启机器学习之旅。本文将涵盖：训练首个 ML 模型、转换为 ONNX 标准、在 PLCnext 控制器上推理。为避免过度复杂，我们将使用经典的 Iris 鸢尾花数据集构建模型。 开始前，明确目标至关重要。以下简要介绍本文涉及的主题，参考资料见文末。 机器学习简介 什么是机器学习 机器学习的本质是利用统计与算法在数据集中发现模式。主要分为三类：监督学习、无监督学习和强化学习。监督学习最常用，本文采用此类。监督学习中，我们对数据打标签，明确告知机器寻找的模式。 无监督学习不打标签，让机器自行发现模