机器学习与深度学习简述和工程案例展示

• 机器学习(Machine Learning)，是一门人工智能的科学，是通过用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。
• 深度学习(Deep Learning)，是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。

机器学习典型过程：

（1）首先在计算机中存储历史的数据。

（2）将这些数据通过机器学习算法进行处理，这个过程在机器学习中叫做“训练”。

（3）处理的结果可以被我们用来对新的数据进行预测，这个结果一般称之为“模型”。

（4）对新数据的预测过程在机器学习中叫做“预测”。

    “训练”与“预测”是机器学习的两个过程，“模型”则是过程的中间输出结果，“训练”产生“模型”，“模型”指导 “预测”。

                                                          机器学习与人类思考的类比

深度学习的主要差异：

       深度学习不需要我们去提取特征，而是自动地对数据进行筛选，自动地提取数据高维特征。如下图所示，深度学习与机器学习中的监督学习一般方法相比，少了特征工程，节约了工程师们大量工作时间。

                               左图为机器学习中监督学习的一般方法，右图为深度学习的一般方法

实际工程案例：

• 例1 基于卷积神经网络的心电信号(ECG)心律失常情况的识别

      卷积神经网络在一维数据中的应用，输入的信号经过小波变换等降噪处理后放入卷积神经网络进行心律失常的分类识别，准确率能达到99.2%。

• 例2 基于图卷积网络(GCN)的阿兹海默症疾病预测

        通过对3维的CT图进行数据特征提取，并以实验对象为节点，结合非成像数据(如性别、年龄等)建立图网络，同过图神经网络的方法对实验对象进行阿兹海默症的疾病预测分类，检测结果准确率达到80.0%。

  

    

• 例3 基于图神经网络的水处理厂的传感器异常检测

         利用人工智能的方法检测传感器信号在某段时间内是否存在异常，并通过建立图网络捕获水处理厂不同传感器间的关系，来解释检测到异常的根因，能减少人工检测的时间和成本。模型预测结果准确率达到99.35%。