人工智能大一選修課論文

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網絡的無監督學習方法，是近年來興起的一種新的混合機器學習模型，現成為人工智能領域中炙手可熱的研究技術。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網絡的無監督學習方法，是近年來興起的一種新的混合機器學習模型，現成為人工智能領域中炙手可熱的研究技術。深度學習帶來了機器學習的一個新浪潮，受到學術界和工業界的廣泛重視，并帶來大數據的深度學習時代。本文結合大數據時代的具體需求，詳細闡述了深度學習的發展和應用，突出了其在人工智能領域的重要地位。

　　【關鍵詞】人工智能;深度學習;大數據時代;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降低語音識別錯誤率20%～30%，取得該領域重大突破;2013年百度創始人兼CEO李彥宏高調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，《麻省理工學院技術評論》雜志將深度學習列為2013年十大突破性技術之首。在今天，Google、百度、微軟等知名高科技公司爭相投入資源，占領深度學習的技術制高點。

　　2.大數據時代的深度學習

　　大數據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——靠人工經驗來抽取樣本特征，而強調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性能的瓶頸，通常開發團隊中更多的人力是投入到構造更好的特征上去的，這就要求開發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，人工手動構造樣本特征，不是一個具有生命力的途徑。

　　深度學習的實質，是通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性。區別于傳統的淺層學習，深度學習的不同之處在于：一是強調了模型結構的深度，通常有5層、6層，甚至10多層的隱層節點;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

　　假設我們有一個系統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經過這個系統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。現在回到我們的主題Deep Learning，我們需要自動地學習特征，假設我們有一堆輸入I(如一堆圖像或者文本)，假設我們設計了一個系統S(有n層)，通過調整系統中的參數，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網絡算法的無監督學習算法，它使用了神經網絡中經典的反向傳播算法，其特殊之處在于其目標在于讓神經網絡的輸出節點的輸出值等于網絡的輸入值，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)的神經網絡中，我們應使得目標輸出，自然地，其輸出節點數目與輸入節點的數目應該相等。同時，自編碼算法的另外一個特征是隱藏層的節點數目一般少于輸入輸出節點的數目。這樣的意義在于，此時相當于將輸入的特征通過神經網絡的非線性變換到節點數更少的隱藏層，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網絡實現了對于高維特征向量的一個特征提取和降維。如果輸入數據中隱含著一些特定的結構，比如某些輸入特征是彼此相關的，那么這一算法就可以發現輸入數據中的這些相關性。由此，用這種特殊的神經網絡對樣本進行學習和訓練，我們即可“自動地”得到輸入數據的降維后的特征，即隱藏層的節點，省去了人工特征提取的麻煩。

　　(3)自編碼算法的實現過程

　　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絡中的一個輸入節點。令其輸出節點的期望類別向量賦值為(或)。

　　1)對于自編碼網絡中某一層，，令矩陣該層權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)設有個訓練樣本，對于每一個訓練樣本到。

　　①調用反向傳播算法函數backwards_trans()

　　計算訓練自編碼網絡的準則函數的梯度和。

　　②計算。

　　③計算

　　3)更新權重系數：

　　4)反復迭代上面過程直到達到要求。訓練得到的神經網絡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絡。當我們需要自動提取數據包用戶數據的特征時，僅需要去掉上面的自編碼網絡的原來的輸出層，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，此時的網絡輸出即為自動提取的特征。

　　4.總結

　　近年，深度學習被逐漸應用到語音識別、圖像識別、自然語言處理等領域，總之，深度學習帶來了機器學習的一個新浪潮，受到從學術界到工業界的廣泛重視，并帶來大數據的深度學習時代。深度學習在應用方面的深度和廣度都將會得到更高程度的發展。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。

下一頁分享更優秀的<<<人工智能大一選修課論文