毕业论文网
本文关于深度论文范文,可以做为相关论文参考文献,与写作提纲思路参考。
贝叶斯深度学习
【摘 要】 在如今的信息时代,人工智能发展迅速.正在觉醒的贝叶斯深度学习是发展具有较强鲁棒性和可解释性的人工智能的一种有效途径,能够有效应对“不确定性、不完全信息和开放环境”.深度学习是机器学习中一种高效的非线性高维数据处理方法.而从贝叶斯视角解释和描述深度学习会产生很多优势,即从对优化和超参数调整更有效的算法,具体从统计的解释和属性,以及预测性能的解释这几个方面进一步阐述.而本论文希望从贝叶斯的角度将深度学习看作是一种广义线性模型的堆叠而提供一些新的研究视角和应用方向.
【关键词】 人工智能 贝叶斯 深度学习
深度学习是机器学习的一个重要分支,而机器学习在近四十年来发生了巨大的变化：从二十世纪八十年代符号学习的盛行到九十年代统计学习如火如荼,再到如今深度学习的推广.对于机器学习,深度学习是机器学习中一个新兴的课题.由于计算能力和大数据的支持,深度学习取得了突破性的进展,被广泛应用于图像语音、视频和自然语言等各个领域.
一、深度学习
深度学习（DL）是一种使用分层隐含变量的为非线性
高维数据进行降维和预测的机器学习方法,深度学习使用多层线性处理单元级联来进行特征提取和转换,每个后续层使用之前层的输出作为输入.其算法可能是监督的或非监督的,应用包括模式分析（非监督）和分类（监督）.我们希望通过提供一个深度学习范式的贝叶斯视角来促进一些方面的理解与研究,如更快的随机算法、优化的调参方法和可解释性模型等方面.那么人工智能、机器学习、深度学习这些概念是什么关系呢？借用文氏图表示概念如图1 所示.
二、贝叶斯概率
AI 人工智能第一课, 都是从贝叶斯定理开始.
因为大数据、人工智能和自然语言处理中都大量用到贝叶斯公式.
该公式表示在B 事件发生的条件下A 事件发生的条件概率,等于A 事件发生条件下B 事件发生的条件概率乘以A事件的概率,再除以B 事件发生的概率.公式中,P(A）也叫做先验概率,P(A/B) 叫做后验概率.
而贝叶斯网络是一种概率网络,它是基于概率推理的图形化网络,而贝叶斯公式则是这个概率网络的基础.贝叶斯网络是基于概率推理的数学模型,所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程,基于概率推理的贝叶斯网络(Bayesian network) 是为了解决不定性和不完整性问题而提出的,它对于解决复杂设备不确定性和关联性引起的故障有很大的优势,在多个领域中获得广泛应用.
三、贝叶斯深度学习
近年来,以深度学习为代表的新一代人工智能技术在图像识别、语音识别等领域不断取得突破,极大地提高了当前机器学习算法的性能.但是目前最好的深度学习系统（如AlphaGo 系统）也只能用于具有完全信息的受限环境.
随着应用场景变得越来越复杂,人工智能技术仍面临着众多挑战.首先,由于环境噪声、物理随机过程、数据缺失等因素的存在,大数据中存在普遍的不确定性,这就要求人工智能技术具有不确定性建模和推理的能力,而贝叶斯概率定理很好的恰合了这一需求.其次,在关键应用领域,由于隐私保护、欺骗、伪装等技术的运用,信息有缺有盈、有真有假是普遍存在的现象,这就要求人工智能系统能够去伪存真,在不完全信息的条件下做出正确的决策,而贝叶斯定理正是在不完全信息下的逆向概率计算.为此,目前急需发展能有效处理“不确定性、不完全信息、开放环境”的人工智能理论和方法.故贝叶斯角度深度学习的改进主要来自三个部分：新的激活函数,比如使用 ReLU 替代历来使用的Sigmoid 函数架构的深度和采用 dropout 作为变量选择技术常规训练和评价模型的计算效率由于图形处理单元（GPU）和张量处理单元（TPU）的使用而大大加速.
四、结束语
贝叶斯深度学习以后可能会应用的领域：通过将深度学习概率性地看作有 GLM 叠加的模型,便打开了许多统计模型的思路,包括指数簇模型和异方差误差等.贝叶斯层级模型和深度学习有很多相似的优势.贝叶斯层级模型包括额外的随机层,因此也提供额外的可解释性和灵活性.
参 考 文 献
[1] 胡天宇. 基于数据降维的机器学习分类应用研究[D]. 吉林大学,2017.
[2] 李鹏. 基于贝叶斯理论的神经网络算法研究[J]. 光机电信息,2011,28(01):28-32
[3] 逄淑超. 深度学习在计算机视觉领域的若干关键技术研究[D]. 吉林大学,2017.
深度论文范文结:
关于对不知道怎么写深度论文范文课题研究的大学硕士、相关本科毕业论文深度论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。