• 機器學習(Machine Learning)，是一門人工智能的科學，是通過用算法解析數據，不斷學習，對世界中發生的事做出判斷和預測的一項技術。
• 深度學習(Deep Learning)，是用于建立、模擬人腦進行分析學習的神經網絡，并模仿人腦的機制來解釋數據的一種機器學習技術。

機器學習典型過程：

（1）首先在計算機中存儲歷史的數據。

（2）將這些數據通過機器學習算法進行處理，這個過程在機器學習中叫做“訓練”。

（3）處理的結果可以被我們用來對新的數據進行預測，這個結果一般稱之為“模型”。

（4）對新數據的預測過程在機器學習中叫做“預測”。

    “訓練”與“預測”是機器學習的兩個過程，“模型”則是過程的中間輸出結果，“訓練”產生“模型”，“模型”指導 “預測”。

                                                          機器學習與人類思考的類比

深度學習的主要差異：

       深度學習不需要我們去提取特征，而是自動地對數據進行篩選，自動地提取數據高維特征。如下圖所示，深度學習與機器學習中的監督學習一般方法相比，少了特征工程，節約了工程師們大量工作時間。

                               左圖為機器學習中監督學習的一般方法，右圖為深度學習的一般方法

實際工程案例：

• 例1 基于卷積神經網絡的心電信號(ECG)心律失常情況的識別

      卷積神經網絡在一維數據中的應用，輸入的信號經過小波變換等降噪處理后放入卷積神經網絡進行心律失常的分類識別，準確率能達到99.2%。

• 例2 基于圖卷積網絡(GCN)的阿茲海默癥疾病預測

        通過對3維的CT圖進行數據特征提取，并以實驗對象為節點，結合非成像數據(如性別、年齡等)建立圖網絡，同過圖神經網絡的方法對實驗對象進行阿茲海默癥的疾病預測分類，檢測結果準確率達到80.0%。

  

    

• 例3 基于圖神經網絡的水處理廠的傳感器異常檢測

         利用人工智能的方法檢測傳感器信號在某段時間內是否存在異常，并通過建立圖網絡捕獲水處理廠不同傳感器間的關系，來解釋檢測到異常的根因，能減少人工檢測的時間和成本。模型預測結果準確率達到99.35%。