回顾 2016 年，我必须要提一下自己专业领域—推荐系统(Recommender Systems)—取得的进展。深度学习当然对这一领域有所影响。虽然我不会推荐DL作为推荐系统默认技术，但是看到它在如Youtube这样的产品中大规模实用，确实蛮意思。在和深度学习无关的领域还有一些有趣的研究。今年ACM 推荐系统部分最佳论文奖归于“Local Item-item Models For Top-N Recommendation”，它是对稀疏线性方法（Sparse Linear Methods：SLIM）的扩充，用到了无监督集群初始化。还有“Field-aware Factorization Machines for CTR Prediction”一文，描述了the Criteo CTR Prediction Kaggle Challenge 的胜出方法，这提示我们Factorization Machines算法仍然是一个很好的工具可以加到ML工具集中。

　　仅仅是列出过去十二个月在机器学习上有影响力的进展，我可能还要写上好几页。而且我还没有开始列出图像识别或者深度强化学习方面的重大突破，或者明显的应用例如智能驾驶或者竞技游戏，这些领域在2016都有巨大进展。我也没有谈到所有关于机器学习是否对社会有消极影响，还有算法的偏好和公正性的讨论。

　　那么，我们对2017有什么期待呢？这个很难说，毕竟这个领域一切发展的如此之快。我可以肯定的是，我们要努力消化我们在NIPS大会上的收获。我非常期待在我最关心的领域看到更多的机器学习进展：如个性化/推荐，自然语言处理。我相信，可能接下来几个月，我们可以看到机器学习能处理假新闻的问题。当然，我还希望看到自动驾驶汽车在路上，机器学习的东西可以投入到健康相关应用或者用到其它创建一个更智慧更公正的社会。

　　Yaser Abu-Mostafa，加州理工大学（联合林轩田教授和 Malik Magdon-Ismail 教授）

　　2016年和2017年是机器学习令人兴奋的时代。有两个趋势正加速到来。第一，那些终于证实ML是超凡强大的技术的例证。AlphaGo和非人类的加密(inhuman encryption)是最引人注目的例子。第二，ML应用的扩张。更多复杂任务，更多领域，更多人采用ML作为挖掘数据的方式。Google、Microsoft、Facebook、IBM 达成人工智能联盟是有理由的。

　　Ajit Jaokar，#Datascience, #IoT, #MachineLearning, #BigData

　　2017年对于IoT和AI都是会是重要的一年。像我最近在KDnuggets发表的，AI将成为企业的核心竞争力。IOT方面，这意味着搭建和部署跨平台（Cloud， Edge， Streaming）的模型的能力。不断学习与通过AI不断提升的前景息息相关。企业需要AI和研发运营汇集形成新的竞争力。

　　Neil Lawrence，谢菲尔德大学机器学习教授

　　我认为，事情会像我们预估的那样发展。深度学习方法并智能地部署到大规模数据集。对于较小的数据集，我认为我们会在模型更新看到有趣的方向，比如预训练深度学习模型的复用。还有一些有趣的开放性问题：怎么样做最好？更进一步的趋势是，这一领域的新闻将不断增加，包括发布在Arxiv没有经过评定的论文中一些主流文章。去年已经展现我们对进展的渴望，但是我觉得今年会看到更多。我认为学术界发布他们工作的时候的选择可能会变得更加谨慎（比如在社交媒体上）特别是当没有被评定过的时候。

　　Randal Olson，宾夕法尼亚大学生物医学信息研究院高级数据科学家

　　自动机器学习（Auto Machine learning -AutoML）系统开始变得比人类机器学习专家更有竞争力。今年早些时候，MIT一个团队创建了数据科学机器，打败了在KDD杯和IJCAI机器学习比赛中的几百个团队。近期，我们的内部 AutoML系统，TPOP，在几个 Kaggle 比赛中排到了90%。总之，我对 AutoML系统在2017年取代人类机器学习专家很有信心。

　　Charles Martin，数据科学家及机器学习专家

　　2016年是深度学习的转折点。这年我们有Google TensorFlow，还有大量不断出现的应用。结合比如Keras，Jupyter Notebooks，和使用GPU的AWS节点，数据科学组有了所需要的基础建设，以开始搭建真正创新的机器学习应用并很快开始产生收益。但是他们也许没有人才？