“深度學習”開展高水平分析與預測

深度學習（DL,Deep Learning）是機器學習的一種，其概念源于人工神經網絡的研究，是一類模式分析方法的統稱。就具體研究內容而言，主要涉及基于卷積運算的神經網絡系統、基于多層神經元的自編碼神經網絡、深度置信網絡等。

深度學習也可以理解為深度和學習這兩個名詞的組合。深度體現在神經網絡的層數上，一般來說，神經網絡的層數越多，也就是越深，則學習效果越好；學習體現為神經網絡可以通過不斷地灌溉數據來自動校正權重偏置等參數，以擬合更好的學習效果。深度學習本質是通過構建多隱層的模型和海量訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性。深度模型是手段，特征學習是目的。與人工規則構造特征的方法相比，利用大數據的學習特征，更能夠刻畫數據的豐富內在信息。

裝備故障診斷與健康管理中的深度學習。大數據分析、人工智能等新興技術已成為裝備故障診斷與健康管理（PHM）研究熱點，解決目前面臨的知識模型不足、無法診斷定位、測試性設計不足和數據深度分析困難等問題。如對遠程機組狀態進行數據分析，為設備健康運行與維修保養提供有效指導，實現正常檢修工期縮短與管理內耗成本降低；根據歷史維護記錄、專家經驗等建立的知識庫中的故障描述和分析進行語意關聯，推斷出可能的故障原因和解決方案等。

產品質量管理中的深度學習。傳統的依靠人眼分辨產品是否存在缺陷的方法已經不能滿足日益嚴苛的檢測需求，且人工檢測存在諸多主觀性，新舊人員的熟練問題、效率問題、成本問題等。基于計算機傳感技術、深度學習以及缺陷檢測與特征識別等，可進行智能質檢，為產品進行表面質檢、無損探傷、裝配質檢、標識查驗等。

輿情分析與監測中的深度學習。隨著互聯網的迅猛發展，新型傳播方式不斷涌現，政府的施政環境發生深刻變化，輿情事件頻發多發，加強政務公開、做好政務輿情回應日益成為政府提升治理能力的內在要求。如：采用人工智能大數據分析技術，利用基于深度學習的概念語義認知技術、音視頻識別與分析技術，基于圖計算的數據挖掘技術等，可更準確的理解不同形式的互聯網數據，輿情通報更快、更準、更全面，既覆蓋文本數據，也覆蓋音視頻等多媒體數據。

疫情分析與預測中的深度學習。從診斷環節來說，基于深度學習的醫療影像技術已經在CT閱片中應用，至于難度更大的核酸檢測則屬于分子診斷領域，近年以來這一領域也正在和AI聯系得愈發緊密。在分子診斷中，深度學習可以提升蛋白質組學研究和序列關聯性研究的效率，并且通過自然語言處理能力將學術論文、診療檔案、臨床記錄等非結構化數據總結整理，為分子診斷產品的研發迭代加速。新藥研究領域深度學習技術可以從海量文獻、實驗等數據中完成篩選，或是模擬化合物與特定靶標的結合效果。在流行病學史追蹤方面，廣泛調用交通、支付、旅行等方面的大數據進行分析，也能夠對傳染模型的建立、分析甚至預測起到幫助。

隨著深度學習技術研究的豐富性，其應用價值日益凸顯。目前已在制造行業、交通領域、智能機器人及無人駕駛、公共衛生等諸多領域取得了較多矚目的成果。由于其廣泛的適用性及實用性，正被廣泛應用于新興領域及解決社會發展難題。在當前新冠肺炎疫情防控阻擊戰的關鍵時刻，在全國人民進行自我保護、開展相關救治的同時，深度學習技術也為遏制疫情發揮著重要作用。如清華大學近期推出的智能自測線上系統，可對不同健康情況做出患病風險層級評估、針對高風險人群的就近定點醫院提示以及基于大數據的區域疫情演變趨勢分析和預測，以幫助群眾居家自篩是否感染。廣大從事深度學習、大數據、人工智能的科技工作者應積極面向醫療衛生領域，用高水平、高質量的科技成果，為科技創新、經濟社會發展及人民日益增長的美好生活需要服務。