德克萨斯农工大学Artie McFerrin化学工程系副教授兼安全工程计划主任王庆生博士撰写的文章被选为美国化学学会(ACS)编辑推荐。Wang Group的研究生焦泽人，胡平凡和徐宏飞是该论文的合著者。在初发表在《ACS化学健康与安全》杂志上的文章“化学健康与安全中的机器学习与深度学习：技术与应用的系统综述”中，Wang及其团队研究了有关机器学习与深度学习的新文献。在安全工程方面进行学习。

 

机器学习和深度学习是人工智能的子集，基于机器学习/深度学习技术的模型可以自动从数据中学习并执行诸如预测和决策之类的任务。大量的跨学科研究表明，将机器学习和深度学习结合到个综合的安全机制中已在趋势识别和预测辅助方面取得了成功，可以大地节省人力，物力和财力。

尽管机器学习和深度学习在安全工程方面具有非常相似的目标，但仍存在些关键差异。机器学习结合了概率论，统计学，逼近论，算法复杂性理论和凸分析，从而构建了可以基于训练数据构建数学模型以进行预测或决策的算法，而无需对其进行明确的编程。本质上，机器学习技术可以解释大量数据并提供预测，趋势并做出明智的决策。

深度学习是机器学习的子集，它使用人工神经网络(受生物神经元启发的计算系统)作为表征和学习数据的体系结构。深度学习通过结合低特征来发现数据的分布式特征表示，从而形成了个更抽象的高层表示属性类别或特征，这可以消除基于机器学习的算法的特征工程步骤，从而提高了准确性，对于深度学习非常有用诸如计算机视觉和自然语言处理之类的任务。这两个域都在迅速发展，具有在安全工程中应用的巨大潜力。

在本文中，Wang和他的研究团队对100余篇同行评审论文进行了分析和归类，以呈现当机器和深度学习奖学金的概况，以及对该域的进展进行综述。此外，Wang强调了当有关安全工程的机器和深度学习文献中的挑战和差距。

来源：生物帮