人工智能深度学习概念研究与综述.pdf

"人工智能深度学习概念研究与综述" 人工智能深度学习概念研究与综述是当前机器学习领域中最热门的研究方向之一。深度学习是由多层神经网络和机器学习演化而来，它的大数据分析与处理能力走在世界的前沿。通过不断的调查与研究，深度学习能更深层次地挖掘大数据的潜在价值，对深度学习加以研究和应用，能促进现代科学技术的发展。 深度学习的概念可以追溯到2006年，由Hinton等人首次提出深度学习的概念。在基于深度置信网络的基础上，提出非监督贪心逐层训练算法，这种训练算法的提出为解决深层结构相关的优化难题带来了新意。随后，Hinton等人又提出了多层自动编码器深层结构，它是含有多隐层的多层感知器。 深度学习方法分为无监督学习与监督学习。在传统的机器学习时期，发展历程可以分为两个阶段，即浅层学习和深层学习。直到目前为止，机器学习方法中大多是利用浅层学习来处理数据，浅层学习的结构模型中有一层或两层非线性特征转换层。 深度学习的发展历程可以追溯到20世纪70年代，当时Paul Werbos首次提出反向传播算法，又称为backpropagation，BP。反向传播算法解决了支持向量机模型不能解决的复杂神经网络模型中线性不可分的问题，但其也有缺点，即反向传播算法容易使模型最后陷入局部最优解。 人工智能的发展历程可以追溯到上世纪五十年代，当时几个年轻的科学家在一起研究和思考，试图用设备模拟人类的思维，来处理问题。最终他们发现，在设备中输入人类对相关问题的决策，设备面对此类问题时会因此得出与人类相同的答案。这这些研究学者对这种现象产生了浓厚的兴趣，人工智能也在这一时期发展起来。 人工智能的发展历程可以分为两个阶段，即早期的人工智能研究和现代的人工智能研究。早期的人工智能研究主要集中在模拟人类的思维和行为，而现代的人工智能研究则更加注重于机器学习和深度学习。 深度学习在人工智能研究中的应用价值在工业领域以及学术领域都有重要的影响。在大数据时代已经到来的今天，数据统计与分析方法有所变化，深度学习是由多层神经网络和机器学习演化而来，它的大数据分析与处理能力走在世界的前沿。 深度学习的研究进展可以分为三个方面：第一，提升网络的实用技能；第二，提高模型的泛化能力；第三，解决过拟合问题。深度学习网络训练的直接目的就是提高准确率、降低损失率。经实验研究发现，深度学习在提高网络性能上主要表现在以下一些方面：在传统的机器学习中，经常出现过拟合的现象，即训练样本不足导致一个模型中学习到的不能推广到新数据中去。深度学习利用数据提升和Dropout，其本质是随机打乱数据的相关性，与传统的机器学习相同，但是不同之处在于数据提升的数据彼此相似性较低，能抑制过拟合的现象，提升模型的泛化能力。 深度学习是当前机器学习领域中最热门的研究方向之一。深度学习的概念、方法和应用前景都是非常广泛的，对深度学习加以研究和应用，能促进现代科学技术的发展。