“深度学习”开展高水平分析与预测

深度学习（DL,Deep Learning）是机器学习的一种，其概念源于人工神经网络的研究，是一类模式分析方法的统称。就具体研究内容而言，主要涉及基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络、深度置信网络等。

深度学习也可以理解为深度和学习这两个名词的组合。深度体现在神经网络的层数上，一般来说，神经网络的层数越多，也就是越深，则学习效果越好；学习体现为神经网络可以通过不断地灌溉数据来自动校正权重偏置等参数，以拟合更好的学习效果。深度学习本质是通过构建多隐层的模型和海量训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。深度模型是手段，特征学习是目的。与人工规则构造特征的方法相比，利用大数据的学习特征，更能够刻画数据的丰富内在信息。

装备故障诊断与健康管理中的深度学习。大数据分析、人工智能等新兴技术已成为装备故障诊断与健康管理（PHM）研究热点，解决目前面临的知识模型不足、无法诊断定位、测试性设计不足和数据深度分析困难等问题。如对远程机组状态进行数据分析，为设备健康运行与维修保养提供有效指导，实现正常检修工期缩短与管理内耗成本降低；根据历史维护记录、专家经验等建立的知识库中的故障描述和分析进行语意关联，推断出可能的故障原因和解决方案等。

产品质量管理中的深度学习。传统的依靠人眼分辨产品是否存在缺陷的方法已经不能满足日益严苛的检测需求，且人工检测存在诸多主观性，新旧人员的熟练问题、效率问题、成本问题等。基于计算机传感技术、深度学习以及缺陷检测与特征识别等，可进行智能质检，为产品进行表面质检、无损探伤、装配质检、标识查验等。

舆情分析与监测中的深度学习。随着互联网的迅猛发展，新型传播方式不断涌现，政府的施政环境发生深刻变化，舆情事件频发多发，加强政务公开、做好政务舆情回应日益成为政府提升治理能力的内在要求。如：采用人工智能大数据分析技术，利用基于深度学习的概念语义认知技术、音视频识别与分析技术，基于图计算的数据挖掘技术等，可更准确的理解不同形式的互联网数据，舆情通报更快、更准、更全面，既覆盖文本数据，也覆盖音视频等多媒体数据。

疫情分析与预测中的深度学习。从诊断环节来说，基于深度学习的医疗影像技术已经在CT阅片中应用，至于难度更大的核酸检测则属于分子诊断领域，近年以来这一领域也正在和AI联系得愈发紧密。在分子诊断中，深度学习可以提升蛋白质组学研究和序列关联性研究的效率，并且通过自然语言处理能力将学术论文、诊疗档案、临床记录等非结构化数据总结整理，为分子诊断产品的研发迭代加速。新药研究领域深度学习技术可以从海量文献、实验等数据中完成筛选，或是模拟化合物与特定靶标的结合效果。在流行病学史追踪方面，广泛调用交通、支付、旅行等方面的大数据进行分析，也能够对传染模型的建立、分析甚至预测起到帮助。

随着深度学习技术研究的丰富性，其应用价值日益凸显。目前已在制造行业、交通领域、智能机器人及无人驾驶、公共卫生等诸多领域取得了较多瞩目的成果。由于其广泛的适用性及实用性，正被广泛应用于新兴领域及解决社会发展难题。在当前新冠肺炎疫情防控阻击战的关键时刻，在全国人民进行自我保护、开展相关救治的同时，深度学习技术也为遏制疫情发挥着重要作用。如清华大学近期推出的智能自测线上系统，可对不同健康情况做出患病风险层级评估、针对高风险人群的就近定点医院提示以及基于大数据的区域疫情演变趋势分析和预测，以帮助群众居家自筛是否感染。广大从事深度学习、大数据、人工智能的科技工作者应积极面向医疗卫生领域，用高水平、高质量的科技成果，为科技创新、经济社会发展及人民日益增长的美好生活需要服务。