2017年，大屏播放器销售额增长了133%。
根据机器学习训练集是否有对应的标识可以分为监督学习、行业无监督学习、半监督学习以及强化学习。此外，市场作者利用高斯拟合定量化磁滞转变曲线的幅度，市场结合机器学习确定了峰/谷c/a/c/a - a1/a2/a1/a2域边界上的铁弹性增加的特征（图3-10），而这一特征是人为无法发掘的。
当我们进行PFM图谱分析时，竞争仅仅能表征a1/a2/a1/a2与c/a/c/a之间的转变，竞争而不能发现a1/a2/a1/a2内的反转，因此将上述降噪处理的数据、凸壳曲线以及k-均值聚类的方法结合在一起进行分析，发现了a1/a2/a1/a2内的结构的转变机制。近年来，无输这种利用机器学习预测新材料的方法越来越受到研究者的青睐。大屏机器学习分类及对应部分算法如图2-2所示。
图2-1 机器学习的学习过程流程图为了通俗的理解机器学习这一概念，行业举个简单的例子：行业当我们是小朋友的时候，对性别的概念并不是很清楚，这就属于步骤1：问题定义的过程。一旦建立了该特征，市场该工作流程就可以量化具有统计显着性和纳米级分辨率的效应。
竞争图2-2 机器学习分类及算法3机器学习算法在材料设计中的应用使用计算模型和机器学习进行材料预测与设计这一理念最早是由加州大学伯克利分校的材料科学家GerbrandCeder教授提出。
深度学习算法包括循环神经网络（RNN）、无输卷积神经网络（CNN）等[3]。当形成激发态时，大屏可能断裂的Cu1-III和Cu1-BrII产生不同的激子结构，STE1和STE2。
行业然而其毒性以及环境不稳定性严重限制其实际应用。如图3所示，市场每个Cu沿c轴上有两个相邻的Cu，例如，Cu1与Cu2和Cu3相邻，分别由III和BrII连接。
根据该性质，竞争研究人员将MACuBrI制成防伪墨水，如图5所示，在常温和低温下呈现不同的信息，实现了多重防伪的效果。如图4所示，无输由理论模拟的两种STE的发射能量，无输断裂Cu-I键和Cu-Br键的STE形成过程的发射能量分别时2.51eV和2.81eV，计算结果与实验得到的发射能量非常接近。
