为了更好地治疗和管理,识别和评估糖尿病患者的虚弱应该是一个优先事项
德克萨斯农工大学阿蒂麦克费林化学工程系副教授、安全工程项目主任王庆生博士的一篇文章被选为美国化学学会(ACS)编辑之选。来自王氏集团的研究生焦泽仁、胡平帆和徐宏飞是这篇论文的共同作者。在这篇文章中,“机器学习和深度学习在化学健康和安全:技术和应用的系统回顾”,最初发表在该杂志上美国化学健康与安全协会, Wang和他的团队研究了当前安全工程背景下围绕机器学习和深度学习的文献。
机器学习和深度学习是人工智能和基于机器学习的模型的子集深度学习技术能够自动从数据中学习并执行预测和决策等任务。各种跨学科研究表明,将机器学习和深度学习结合成一个全面的安全机制,在趋势识别和预测辅助方面取得了成功,可以极大地节省人力、物力和财力。
虽然机器学习和深度学习在安全工程的背景下有非常相似的目标,但也有一些关键的区别。机器学习包含了概率论、统计学、近似理论、算法复杂性理论和凸分析来构建算法,这些算法可以基于训练数据构建数学模型,用于预测或决策,而无需显式编程。从本质上讲,机器学习技术可以解释大量数据,并提供预测、趋势和做出明智的决定。
深度学习是机器学习的一个子集人工神经网络——受生物神经元启发的计算系统——作为表征和学习数据的架构。深度学习通过组合底层特征,发现数据的分布式特征表示形式,从而形成一个更加抽象、高级的表示属性类别或特征,可以省去的特征工程步骤机器学习基于算法的算法精度越来越高,对于计算机视觉和自然语言处理等任务非常有用。这两个领域发展迅速,在安全工程领域应用潜力巨大。
在这篇文章中,Wang和他的研究团队分析并分类了100多篇同行评议的论文,以展示当前机器和深度学习学术的快照,以及该领域的进展。此外,王强调了当前机器的挑战和差距深度学习有关安全工程的文献。
进一步探索
用户评论