利用深度学习进行时序数据的异常检测利用深度学习进行时序数据的异常检测
本文要点
神经网络是一种模拟生物学神经的机器学习模型，数据来源于输入层并流经具有各种激活阈值的节点。
递归神经网络是一种在输入被理解之前保持其内部记忆的神经网络，所以它们可以进行数据流中时间依赖的结构的学习。
机器学习早已在许多产品中发挥过威力了，我们日常就与很多打过交道，从像苹果的Siri和谷歌的Now之类的“智能”助手，到
像亚马逊建议买新产品的推荐引擎，再到谷歌和Facebook使用的排名系统，凡此种种，不一而足。最近，机器学习由于“深度
学习”的进展闯入了公众视野，这些进展包括AlphaGo击败了围棋大师李世乭，以及围绕图像识别和机器翻译方面骄人的新产
品。
在本系列的文章中，我们将介绍在机器学习方面强大而又可以普遍应用的技术。这些不仅包括经常在现代商业都需要的更传统
的方法，还包括深度学习。在阅读本系列文章之后，你应该就具备在各种你自己所属的领域中进行具体机器学习实验的必要能
力了。
本篇文章是系列文章“机器学习简介”其中的一部分，你可以通过RSS订阅以接收通知。
用来解决像语音和图像识别之类问题的深度神经网络越来越高的精确度已经引起大家的关注，致力于深度学习和人工智能的研
究也更为普遍了。但广泛普及也带来了冲突。本文介绍神经网络，包括对前馈神经网络和递归神经网络的简要说明，并阐述了
如何构建一个检测时间序列数据中异常现象的递归神经网络。为使我们的讨论更具体，我们将显示如何用Deeplearning4j构建
神经网络，它是一个用于JVM的开源深度学习类库。
什么是神经网络？
人造神经网络的最初设想是模拟生物学神经元的算法。然而，这是一个很泛泛的类比。被人造神经网络借鉴的生物学神经元的
功能包括节点之间的连接和针对每个神经元点亮的激活阈值（或触发器）。
通过构建一个连接人造神经元的系统，我们发现系统可以被训练去认识数据中更高层次的模式，并发挥有用的作用，比如递
归、分类、聚类和预测。
仅比喻为生物神经元还远远不够。人造神经网络是一系列计算节点，在此数据表示为数字数组，这些数据由网络的输入层传
入，通过网络所谓的隐藏层，直到在一个处理过程中生成这些数据相关的输出或决策，下文将简要描述这个处理过程。然后把
该网络产生的输出与预期输出做比较（例如应用于这些数据上的地表实况标签），该网络的推测和正确答案之间的差异用于逐
渐修正网络节点的激活阈值。随着这个过程的重复，该网络的输出将与预期输出重合。
拥有许多节点的整个神经网络可以运行于一台单独的机器上。一定要注意，这个神经网络不一定要在多台机器的分布式系统
中。节点，在此意味着“计算发生的地方”。
训练过程
为构建一个神经网络，你需要对训练过程和网络输出如何形成有基本的理解。因为我们不想陷入到方程式里，所以简要描述如
下：
网络的输入节点接收一个数字数组（可能是一个称之为张量的多维数组）表示输入数据。例如，一张图片的每个像素可能通过
一个标量来表示，然后提供给一个节点。这些输入数据通过系统或参数来传递，通过这些系数的乘法运算将放大或减弱这些输
入，这依赖于它学到的重要性，即该像素是否会影响到网络关于整个输入的决策。
最初，系数是随机的；网络创建出来时对于结构化数据一无所知。每个节点的激活函数决定了节点对一个输入或一组输入的输
出。所以节点点亮与否，取决于它所接收的刺激的强度（输入和系数的返回值）是否超过了激活的阈值。
在一个所谓的致密或完全连接层，每个节点的输出会传递到后续层的的所有节点。这后续会通过所有隐藏致密层，直到输出层
为止，即该输入达成的决策的地方。在这个输出层，该网络关于输入的决策是针对预期决策的评估（比如，这个图片中的像素
资源评论
