人工智能选修课[人工智能大一选修课论文].docx

人工智能 选修课 [人工智能大一选修课论文]
深度学习(DeepLearning)作为一种基于人工神经网络的无监督学习方法，是近年来兴起的一种新的混合机器学习模型，现成为人工智能领域中炙手可热的研究技术。以下是小编整理的人工智能大一选修人工智能 选修课 [人工智能大一选修课论文]
深度学习(DeepLearning)作为一种基于人工神经网络的无监督学习方法，是近年来兴起的一种新的混合机器学习模型，现成为人工智能领域中炙手可热的研究技术。以下是小编整理的人工智能大一选修课论文的相关资料，欢迎阅读!
人工智能大一选修课论文篇一
【摘要】深度学习(DeepLearning)作为一种基于人工神经网络的无监督学习方法，是近年来兴起的一种新的混合机器学习模型，现成为人工智能领域中炙手可热的研究技术。深度学习带来了机器学习的一个新浪潮，受到学术界和工业界的广泛重视，并带来大数据的深度学习时代。本文结合大数据时代的具体需求，详细阐述了深度学习的发展和应用，突出了其在人工智能领域的重要地位。
【关键词】人工智能;深度学习;大数据时代;机器学习

近年来，深度学习逐步推动了人工智能领域的新浪潮。2010年，美国国防部DARPA计划首次资助深度学习项目;2011年来，微软和Google研究人员先后采用深度学习技术降低语音识别错误率20%～30%，取得该领域重大突破;2013年百度创始人兼CEO李彦宏高调宣布成立百度研究院，其第一个重点方向就是深度学习;2013年4月，《麻省理工学院技术评论》杂志将深度学习列为2013年十大突破性技术之首。在今天，Google、百度、微软等知名高科技公司争相投入资源，占领深度学习的技术制高点。

大数据时代迫切需要深度学习。为了说明这个观点，本文来谈一下浅层学习和深度学习模型。
浅层模型有个重要特点——靠人工经验来抽取样本特征，而强调模型主要是负责分类或预测。所以，特征提取就成了整个系统性能的瓶颈，通常开发团队中更多的人力是投入到构造更好的特征上去的，这就要求开发人员对待解决的问题有很深入的理解。而达到这个程度，往往需要反复摸索。因此，人工手动构造样本特征，不是一个具有生命力的途径。
深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。区别于传统的浅层学习，深度学习的不同之处在于：一是强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点;二是明确突出了特征学习的重要性，即通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，使分类或预测更加容易。

(1)DeepLearning的基本思想
假设我们有一个系统S，它有n层(S1，…Sn)，它的输入是I，输出是O，形象地表示为：I=>S1=>S2=>…..=>Sn=>O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失，保持了不变性，这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息(即输入I)的另外一种表示。现在回到我们的主题DeepLearning，我们需要自动地学习特征，假设我们有一堆输入I(如一堆图像或者文本)，假设我们设计了一个系统S(有n层)，通过