机器学习最难之处在于，如何把现实中的问题，提炼成一个机器学习问题，这需要对问题本身有深刻的理解。包括业务的理解，数据的理解，以及如何准备数据。
本文以汽车行人保护头部冲击为例，描述如何利用机器学习方法来快速预测头部损伤值，即HIC值。
头部冲击，分为成人和儿童，与发动机罩和风挡玻璃进行撞击，在头部模型中通过采集的加速度，X,Y,Z三个方向的加速度合成后得出头部模型的撞击加速度，然后通过积分得到头部损失指数HIC。
无论是物理试验，还是仿真分析，都是先在发动机罩和风挡玻璃上进行画块，然后分别对每个块进行撞击，然后汇总成总的头部损伤值。
区别于仿真分析时建立三维模型，赋予材料属性和设置相对应的工况。机器学习需要的是结构化的二维表格数据，且数据间不存在强逻辑关系。
那么，到底需要哪些数据，以及如何才能得到这些数据？是机器学习的核心关键。
1) 首先应该是模型参数，包括几何模型，材料参数，头部模型等。这些特征在机器学习模型中将被用作自变量。
按照下图的逻辑关系，整理了和HIC值相关的逻辑关系以及对应的特征（参数）。
详细描述。
2) 其次是结果，即不同位置上的撞击后积分得到的HIC值，这个特征在机器学习模型中将被用作因变量。
通常来说，每辆车划分的碰撞位置一般是小车100多，大车200左右。对每个位置的HIC值，可以通过Altair Monarch数据准备工具，从结果文件中提取并合并到对应的模型特征表格中。在Monarch中，通过定义正则表达式的方式，快速实现批处理数据抽取，如下图示例。
3) 建模
在Altair机器学习工具Knowledge Studio中，选择合适的模型，如XG-BOOST，深度学习等，可以多选择几种模型进行比较，通过拖拽，交互式快速建立模型。
4) 模型评估和部署
通过Knowledge Studio自带的模型评估方法，比如混淆矩阵，AUC,ROC曲线，均方差等指标来评估模型。
另外，Knowledge Studio可以对训练好的模型以各自源代码的方式导出，直接部署到生产环境中去。比如Python,R,C,Java等等。
5) 应用
对于新的设计，按照上述流程，把模型特征提取出来，导入训练好的机器学习模型，即可快速预测出对应的响应。
对于碰撞，跌落，抗凹等这些非线性，耗时长的CAE分析，时间可以从以周为单位缩短到30分钟左右，可以极大的加速产品设计流程。