德克薩斯農(nóng)工大學Artie McFerrin化學工程系副教授兼安全工程計劃主任王慶生博士撰寫的文章被選為美國化學學會(ACS)編輯推薦。Wang Group的研究生焦?jié)扇?，胡平凡和徐宏飛是該論文的合著者。在初發(fā)表在《ACS化學健康與安全》雜志上的文章“化學健康與安全中的機器學習與深度學習：技術與應用的系統(tǒng)綜述”中，Wang及其團隊研究了有關機器學習與深度學習的新文獻。在安全工程方面進行學習。

 

機器學習和深度學習是人工智能的子集，基于機器學習/深度學習技術的模型可以自動從數(shù)據(jù)中學習并執(zhí)行諸如預測和決策之類的任務。大量的跨學科研究表明，將機器學習和深度學習結合到一個綜合的安全機制中已在趨勢識別和預測輔助方面取得了成功，可以較大地節(jié)省人力，物力和財力。

盡管機器學習和深度學習在安全工程方面具有非常相似的目標，但仍存在一些關鍵差異。機器學習結合了概率論，統(tǒng)計學，逼近論，算法復雜性理論和凸分析，從而構建了可以基于訓練數(shù)據(jù)構建數(shù)學模型以進行預測或決策的算法，而無需對其進行明確的編程。本質上，機器學習技術可以解釋大量數(shù)據(jù)并提供預測，趨勢并做出明智的決策。

深度學習是機器學習的子集，它使用人工神經(jīng)網(wǎng)絡(受生物神經(jīng)元啟發(fā)的計算系統(tǒng))作為表征和學習數(shù)據(jù)的體系結構。深度學習通過結合低級特征來發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示，從而形成了一個更抽象的高層表示屬性類別或特征，這可以消除基于機器學習的算法的特征工程步驟，從而提高了準確性，對于深度學習非常有用諸如計算機視覺和自然語言處理之類的任務。這兩個領域都在迅速發(fā)展，具有在安全工程中應用的巨大潛力。

在本文中，Wang和他的研究團隊對100余篇同行評審論文進行了分析和歸類，以呈現(xiàn)當前機器和深度學習獎學金的概況，以及對該領域的進展進行綜述。此外，Wang強調了當前有關安全工程的機器和深度學習文獻中的挑戰(zhàn)和差距。

來源：生物幫