机器学习中回归与分类任务的核心区别在于输出变量类型：回归预测连续值（如房价），分类预测离散类别（如猫/狗）。回归任务采用线性输出和MSE损失，关注数值误差；分类任务使用概率输出和交叉熵损失，评估类别准确性。典型算法差异明显，如线性回归vs逻辑回归。二者可通过离散化/概率输出相互转化，但会损失信息。关键记忆点：回归回答"多少"，分类判断"是否"。

深度学习(DL)是机器学习(ML)的一个重要范式，它通过多层神经网络实现自动化特征学习，突破了传统ML依赖手动特征工程的局限。这一范式以端到端学习为核心，能够处理高维非结构化数据，在图像识别、自然语言处理等领域取得突破性进展。DL对计算资源和大数据规模有较高要求，其多样化的网络架构形成了针对不同任务的子范式，如CNN、RNN、GAN等。作为一种变革性方法论，深度学习重塑了人工智能的研究与应用格局，

文章摘要： 组学数据是通过高通量技术（如测序、质谱）对生物分子（基因、蛋白、代谢物等）进行系统性测量的数据集，具有全局性、定量化和状态依赖性特征，涵盖基因组学、转录组学等多类技术。其核心目标是解码生命复杂性，如构建基础图谱、发现生物标志物及解析分子机制。多组学则整合多种组学数据（如基因+蛋白+代谢物），通过关联分析揭示跨层级调控网络，但面临数据异构、算法复杂等挑战。数据结构上，单组学为规则的特征矩