Datawhale AI 夏令营（生命科学方向）

1、RNN：

RNN就像是你读故事时，一边读一边在脑子里记住之前的内容，这样你就能更好地理解接下来的故事发展了。它是一种神经网络，专门处理这种有前后关联的数据。

2、特征工程：

特征工程，简单来说，就是“准备食材给机器学习模型做饭”。这包括：

洗食材：去掉数据中的脏东西和不需要的部分，比如错误的数据、缺失的信息等。

挑食材：从一堆食材中选出最有用、最适合做这道菜的那些。

切食材：有时候，食材太大块或形状不合适，需要切割或重新组合，这样模型才能更好地“吃”下去。

调味：调整食材的“味道”，让它们都在一个差不多的水平线上，这样模型吃起来才不会觉得有的太淡有的太咸。

贴标签：有些食材是模型不认识的（比如文字、颜色等），需要给它们贴上标签，告诉模型这是什么。

精简食材：如果食材太多，模型可能会消化不良，所以要精简一下，只保留最重要的部分。

通过这些步骤，我们让原始数据变得更加适合机器学习模型去“学习”和“预测”。

3、LSTM

LSTM（Long Short-Term Memory，长短期记忆网络）是一种特殊的循环神经网络（RNN），它在处理序列数据方面非常有效，特别是那些需要“长期记忆”的序列.

1. 长期记忆与短期记忆：当我们阅读或听故事时，我们的大脑会同时处理短期记忆和长期记忆。短期记忆帮助我们记住当前正在阅读或听到的内容，而长期记忆则存储了我们之前阅读或听到的信息，这些信息可以在之后的某个时刻被回忆起来。LSTM就像是这样一个大脑，它有一个“长期记忆”单元（cell state），用于存储和传递序列中的重要信息。这个单元在整个序列处理过程中保持不变，只有在需要时才进行更新。
2. 门控机制：
3. LSTM通过三个“门”来控制信息的流动：遗忘门、输入门和输出门。
   • 输出门：它决定了当前时间步应该输出哪些信息给下一层或外部系统。
   • 输入门：它决定了哪些新信息应该被添加到长期记忆中。
   • 遗忘门：它决定了哪些信息应该被遗忘，即从长期记忆中删除不再需要的信息。
   • 这些门控机制使得LSTM能够更好地处理序列中的长期依赖关系，避免了传统RNN中的梯度消失或梯度爆炸问题。