人工智能大一選修課論文

　　深度學習(Deep Learning)作為一種基于人工神經(jīng)網(wǎng)絡(luò)的無監(jiān)督學習方法，是近年來興起的一種新的混合機器學習模型，現(xiàn)成為人工智能領(lǐng)域中炙手可熱的研究技術(shù)。以下是學習啦小編整理的人工智能大一選修課論文的相關(guān)資料，歡迎閱讀!

　　人工智能大一選修課論文篇一

　　【摘 要】深度學習(Deep Learning)作為一種基于人工神經(jīng)網(wǎng)絡(luò)的無監(jiān)督學習方法，是近年來興起的一種新的混合機器學習模型，現(xiàn)成為人工智能領(lǐng)域中炙手可熱的研究技術(shù)。深度學習帶來了機器學習的一個新浪潮，受到學術(shù)界和工業(yè)界的廣泛重視，并帶來大數(shù)據(jù)的深度學習時代。本文結(jié)合大數(shù)據(jù)時代的具體需求，詳細闡述了深度學習的發(fā)展和應(yīng)用，突出了其在人工智能領(lǐng)域的重要地位。

　　【關(guān)鍵詞】人工智能;深度學習;大數(shù)據(jù)時代;機器學習

　　1.引言

　　近年來，深度學習逐步推動了人工智能領(lǐng)域的新浪潮。2010年，美國國防部DARPA計劃首次資助深度學習項目;2011年來，微軟和Google研究人員先后采用深度學習技術(shù)降低語音識別錯誤率20%～30%，取得該領(lǐng)域重大突破;2013年百度創(chuàng)始人兼CEO李彥宏高調(diào)宣布成立百度研究院，其第一個重點方向就是深度學習;2013年4月，《麻省理工學院技術(shù)評論》雜志將深度學習列為2013年十大突破性技術(shù)之首。在今天，Google、百度、微軟等知名高科技公司爭相投入資源，占領(lǐng)深度學習的技術(shù)制高點。

　　2.大數(shù)據(jù)時代的深度學習

　　大數(shù)據(jù)時代迫切需要深度學習。為了說明這個觀點，本文來談一下淺層學習和深度學習模型。

　　淺層模型有個重要特點——靠人工經(jīng)驗來抽取樣本特征，而強調(diào)模型主要是負責分類或預測。所以，特征提取就成了整個系統(tǒng)性能的瓶頸，通常開發(fā)團隊中更多的人力是投入到構(gòu)造更好的特征上去的，這就要求開發(fā)人員對待解決的問題有很深入的理解。而達到這個程度，往往需要反復摸索。因此，人工手動構(gòu)造樣本特征，不是一個具有生命力的途徑。

　　深度學習的實質(zhì)，是通過構(gòu)建具有很多隱層的機器學習模型和海量的訓練數(shù)據(jù)，來學習更有用的特征，從而最終提升分類或預測的準確性。區(qū)別于傳統(tǒng)的淺層學習，深度學習的不同之處在于：一是強調(diào)了模型結(jié)構(gòu)的深度，通常有5層、6層，甚至10多層的隱層節(jié)點;二是明確突出了特征學習的重要性，即通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間，使分類或預測更加容易。

　　3.深度學習的基本思想和常用方法

　　(1)Deep Learning的基本思想

　　假設(shè)我們有一個系統(tǒng)S，它有n層(S1，…Sn)，它的輸入是I，輸出是O，形象地表示為：I=>S1=>S2=>…..=>Sn=>O，如果輸出O等于輸入I，即輸入I經(jīng)過這個系統(tǒng)變化之后沒有任何的信息損失，保持了不變性，這意味著輸入I經(jīng)過每一層Si都沒有任何的信息損失，即在任何一層Si，它都是原有信息(即輸入I)的另外一種表示?，F(xiàn)在回到我們的主題Deep Learning，我們需要自動地學習特征，假設(shè)我們有一堆輸入I(如一堆圖像或者文本)，假設(shè)我們設(shè)計了一個系統(tǒng)S(有n層)，通過調(diào)整系統(tǒng)中的參數(shù)，使得它的輸出仍然是輸入I，那么我們就可以自動地獲取得到輸入I的一系列層次特征，即S1，…，Sn。

　　另外，前面是假設(shè)輸出嚴格地等于輸入，這個限制太嚴格，我們可以略微地放松這個限制，例如我們只要使得輸入與輸出的差別盡可能地小即可，這個放松會導致另外一類不同的Deep Learning方法。

　　(2)Deep Learning的常用方法

　　AutoEncoder(自編碼)，自編碼算法是一種基于神經(jīng)網(wǎng)絡(luò)算法的無監(jiān)督學習算法，它使用了神經(jīng)網(wǎng)絡(luò)中經(jīng)典的反向傳播算法，其特殊之處在于其目標在于讓神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點的輸出值等于網(wǎng)絡(luò)的輸入值，如在下面具有一個隱藏層(一般自編碼算法中會有多個隱藏層)的神經(jīng)網(wǎng)絡(luò)中，我們應(yīng)使得目標輸出，自然地，其輸出節(jié)點數(shù)目與輸入節(jié)點的數(shù)目應(yīng)該相等。同時，自編碼算法的另外一個特征是隱藏層的節(jié)點數(shù)目一般少于輸入輸出節(jié)點的數(shù)目。這樣的意義在于，此時相當于將輸入的特征通過神經(jīng)網(wǎng)絡(luò)的非線性變換到節(jié)點數(shù)更少的隱藏層，再由隱藏層通過非線性變換“無損”地恢復出輸入的信息，這樣實際上相當于用神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對于高維特征向量的一個特征提取和降維。如果輸入數(shù)據(jù)中隱含著一些特定的結(jié)構(gòu)，比如某些輸入特征是彼此相關(guān)的，那么這一算法就可以發(fā)現(xiàn)輸入數(shù)據(jù)中的這些相關(guān)性。由此，用這種特殊的神經(jīng)網(wǎng)絡(luò)對樣本進行學習和訓練，我們即可“自動地”得到輸入數(shù)據(jù)的降維后的特征，即隱藏層的節(jié)點，省去了人工特征提取的麻煩。

　　(3)自編碼算法的實現(xiàn)過程

　　將已得到的某一樣本的特征向量(或)作為自編碼算法的輸入，即上面特征向量的每一個分量代表自編碼網(wǎng)絡(luò)中的一個輸入節(jié)點。令其輸出節(jié)點的期望類別向量賦值為(或)。

　　1)對于自編碼網(wǎng)絡(luò)中某一層，，令矩陣該層權(quán)重矩陣的修正矩陣為零矩陣，偏置向量的修正向量為零向量。

　　2)設(shè)有個訓練樣本，對于每一個訓練樣本到。

　?、僬{(diào)用反向傳播算法函數(shù)backwards_trans()

　　計算訓練自編碼網(wǎng)絡(luò)的準則函數(shù)的梯度和。

　?、谟嬎?。

　?、塾嬎?/p>

　　3)更新權(quán)重系數(shù)：

　　4)反復迭代上面過程直到達到要求。訓練得到的神經(jīng)網(wǎng)絡(luò)最靠近輸出層的隱藏層的輸出值即為深度學習后自動得到的新特征。

　　通過上面的學習訓練，我們便可以得到一個具有深度學習功能的自編碼網(wǎng)絡(luò)。當我們需要自動提取數(shù)據(jù)包用戶數(shù)據(jù)的特征時，僅需要去掉上面的自編碼網(wǎng)絡(luò)的原來的輸出層，將原來最靠近輸出層的隱藏層作為新的輸出層，再將初始的特征向量輸入，此時的網(wǎng)絡(luò)輸出即為自動提取的特征。

　　4.總結(jié)

　　近年，深度學習被逐漸應(yīng)用到語音識別、圖像識別、自然語言處理等領(lǐng)域，總之，深度學習帶來了機器學習的一個新浪潮，受到從學術(shù)界到工業(yè)界的廣泛重視，并帶來大數(shù)據(jù)的深度學習時代。深度學習在應(yīng)用方面的深度和廣度都將會得到更高程度的發(fā)展。同時，如果機器學習理論界取得突破，為深度學習提供強力的支撐，使之成為今后無論何種機器學習應(yīng)用都不得不采用的基石，那么，人工智能的夢想將不再遙遠。

下一頁分享更優(yōu)秀的<<<人工智能大一選修課論文