近期，“机器学习”或“人工智能”在视觉和自然语言处理方面的进步有助于以私人助理或自动驾驶汽车为代表的新技术的发展，这些进步将机器学习和人工智能推到了流行文化的风口浪尖。尽管机器学习听起来是一个新潮的词汇，但实际上机器学习和人工智能这两个术语早在20世纪50年代就出现了，目前化学领域使用的很多算法早在20世纪80、90年代即被首次引入和应用。虽然机器学习的“开发周期”过于漫长，但是此类算法的进步，连同大数据和超高速计算机的推出，却有助于将机器学习加速引入一系列应用领域。鉴于化学重视结构和功能之间的关系，无论是生物化学还是材料化学，研究人员都倾向于接受机器学习。

我们希望本书对读者有所启迪。计算化学通过快速准确的材料筛选或分子动力学方法降低了成本，这些近期的技术进步强烈地吸引着学术界。学术界还感兴趣于在反应预测、逆合成或光谱特征分析方面，以机器学习模型替代传统的专业模型。

Machine Learning in Chemistry 目录

共同作者对机器学习的尝试始于他们当中的某个人（Jon Paul）的机器学习家庭作业。当时，和大多数人一样，我们不确定机器学习模型是否可以推动我们在新型过渡金属配合物计算设计和发现方面的最新研究。在接下来的几年里，我们慢慢学会了拨开迷雾发现真相，确定了机器学习算法的应用场合。本书旨在帮助那些有意学习新技术的研究人员，找到适合自己研究领域的最有效的统计工具。

本书并不仅仅讨论机器学习的方法，而是尝试使用与该领域相关的语言和示例，找到与化学科学最相关的主题。但是，我们无法回避机器学习的基础方法和关键细节，因为了解这些方法的优缺点进而确定最适用的领域知识相当重要。本书将启发读者提出学术领域的机器学习应用问题，同时批判性地解读机器学习相关出版物。我们提供了一些重要的统计结果，但是没有纳入正式的证据，重点强调概念而非技术细节。不过，我们提供了获取细节的参考资料。虽然我们在关键章节提供了多条提示，但是掌握基本单变量微积分和线性代数的理论仍然是理解本书的必要条件。

最后，在阅读本书之时，我们鼓励读者将机器学习和研究领域发生关联并提出问题：在传统理论、计算或实验方法都无效的研究领域，研究人员所面临的严峻挑战是什么？传统上耗时耗力的实验或计算是什么？结构和实验结果之间的哪些复杂关系需要多年的专业经验才能推导出？这些问题的解答突显了机器学习在推动集体研究方面巨大的潜力。