《知识引导的机器学习：使用科学知识和数据加速发现（Knowledge-Guided Machine Learning: Accelerating Discovery Using Scientific Knowledge and Data）》

鉴于机器学习（ML）模型在商业应用中的巨大成功，在许多学科中，机器学习（ML）模型越来越多地被视为基于科学的模型的替代品。然而，这些“黑匣子”ML模型的成功有限，因为它们无法在有限的训练数据下很好地工作，也无法推广到看不见的场景。因此，科学界对创建将科学知识整合到ML框架中的新一代方法越来越感兴趣。这个新兴领域被称为科学知识引导的ML（KGML），寻求与现有的“仅数据”或“仅科学知识”方法截然不同，以平等地使用知识和数据。事实上，KGML涉及不同的科学和ML社区，来自不同背景和应用领域的研究人员和从业者不断为这一新兴领域的问题表述和研究方法增加丰富性。

《知识引导的机器学习：使用科学知识和数据加速发现》，通过使用说明性示例、案例研究以及来自不同应用领域和研究社区的评论作为领先研究人员的书籍章节，讨论 KGML 研究的一些常见主题，介绍了这个快速增长的领域。

本书的主要特点：

• 在科学和数据科学领域受到广泛关注的新兴研究领域的首本此类书籍

• 可供数据科学、科学和工程领域的广泛受众访问

• 使用来自不同应用领域的说明性示例，为新兴的KGML领域的问题表述和研究方法提供连贯的组织结构

• 包含领先研究人员的章节，从多个角度说明KGML研究中的前沿研究趋势，机遇和挑战

• 实现跨学科KGML问题公式和研究方法的异花授粉

• 强调需要更广泛的研究人员和从业者社区进一步调查的关键差距，以实现KGML的全部潜力