浓缩生物医学大数据有效信息的机器学习和深度学习算法
编号：81
访问权限：仅限参会人
更新：2022-07-01 11:16:08
浏览：794次
特邀报告
报告开始：2022年07月23日 14:45 （Asia/Shanghai）
报告时间：20min
所在会议：[S1] 分会场1 » [S1-1] 生物医学大数据与人工智能
暂无文件
摘要
生物医学大数据具有显著的“大p小n”挑战，即特征数远多于样本数。计算机领域的处理策略是，如何降低数据维度来提升预测模型的准确性和稳定性。降维策略主要包括特征选择（feature selection）和特征工程（feature engineering）两类算法。
本次报告将通过多个模态的生物医学大数据实例来展示降维的必要性，以及HILab基于机器学习和深度学习模型开发的几类降维算法。特征选择算法着重于不改变原始特征、仅筛选出预测性能更好的特征子集，具有较好的特征可解释性；特征工程算法着重于提炼出原始特征间的隐含关联性，可以提供更好的预测性能，不过容易失去特征的可解释性。
本次报告将通过多个模态的生物医学大数据实例来展示降维的必要性，以及HILab基于机器学习和深度学习模型开发的几类降维算法。特征选择算法着重于不改变原始特征、仅筛选出预测性能更好的特征子集，具有较好的特征可解释性；特征工程算法着重于提炼出原始特征间的隐含关联性，可以提供更好的预测性能，不过容易失去特征的可解释性。
关键字
Feature engineering; feature representation; dimension reduction; machine learning; deep learning
报告人
周丰丰
教授 吉林大学教授，博士生导师，中国科学院百人计划，吉林大学“唐敖庆”特聘教授，IEEE（美国电气和电子工程师协会）高级会员。团队主要从事健康大数据挖掘核心算法、以及融合生物组学、医学影像、心电脑电和电子病历等异构医学大数据的融合建模算法等方面的研究。
发表评论