高教社课件计算与人工智能应用(新医科版）第7章课件.pptxVIP

第7章深度学习与医学应用;;学习目标;导入;第1节;7.1.1深度学习的定义;（三）关键优势

打破了传统机器学习的局限，无需人工手动设计复杂的特征提取规则，极大降低了特征工程的门槛与成本。

（四）适用场景

在处理图像识别、自然语言处理、语音识别等非结构化数据任务时，展现出远超传统算法的性能优势。

;1957;7.1.2深度学习与机器学习的区别和联系;（一）基本概念

;（二）技术原理

（1）特征提取：人工设计vs自动学习

机器学习：常依赖人工设计的特征提取器，需领域专家介入，如经典的SIFT（尺度不变特征变换）、HOG（方向梯度直方图）等。

深度学习：无需人工干预，直接通过深层神经网络（CNN/RNN等）从海量数据中自动学习复杂、抽象且具有层次化的特征表示。

;（二）技术原理

（2）优化方法：算法多样性vs反向传播核心

机器学习：应用场景丰富，采用的优化算法种类多，如传统的梯度下降、牛顿法、拟牛顿法以及针对特定模型的SMO算法等。

深度学习：针对百万级甚至亿级的海量网络参数，核心依赖“反向传播”机制结合梯度下降（及其改进版如Adam、SGD）进行高效训练与参数更新。;（二）技术原理

（3）模型能力：表达与拟合的差异

深度学习优势：凭借深层非线性的网络结构，能够拟合极其复杂的数据分布和非线性关系，在处理图像、语音、自然语言等非结构化大数据时，展现出远超传统机器学习模型的表