韩国av伦理片

您现在的位置是:美女AV  > 车主直说 > 正文

车主直说

深度学习及其在点融的应用

2020-03-03 00:22:37

深度学习及其在点融的应用(图1)

韩国av伦理片随着阿法狗战胜了李世石和柯洁,出台印发了新一代人工智能发展规划,使得人工智能这个处于当下互联网风口的高科技,更是瞬间成为当下几乎众人皆有耳闻的火热名词。

深度学习及其在点融的应用(图2)

人工智能是一个宽泛的概念,并且,这门学问起起落落也早已经历了几十年的发展历程。机器学习曾被认为是人工智能领域中最能体现智能的一个分支,表示学习是机器学习的一个重大问题,深度学习又可视为表示学习的一个重要子集。本文不准备大谈人工智能的各个高大上算法。而只谈论人工智能领域一些最基本却非常重要的关键问题,及在点融线上应用的简单介绍。

韩国av伦理片如何对已有所有数据进行有效表示,即表示学习,是人工智能的重大问题之一。机器学习的性能很大程度上依赖于给定数据的表示,如支持向量机SVM和线性判别分析LDA,都是基于数据表示、学习和变换进行重点研究予以突破的算法。面对经验和数据,让计算机智能地具备自己获取知识的能力,即从原始数据中直接地学习和提取模式,是深度学习的做法,也是其对机器学习的关键改进。

韩国av伦理片那么,深度学习如何对表示进行学习呢?机器学习中线性算法对数据变量分布和学习目标之间的关系给出了强烈的数学表达式先验假设,当该假设是接近现实情况时,线性算法会明显的表现超出其它算法,否则,强烈的先验假设反而会使得线性算法表现的很不如人意。假设数据由变差因素或特征组合产生,这些变差因素或特征组合可能来自一个层次结构的多个层次,是深度学习自拍AV视频 表示学习的先验假设,也是深度学习的核心思想。深度学习已经给出了通用的先验假设,即任务的数据生成是分布式多层的和非线性的。深度神经网络,输入层对应原始输入,隐藏层针对不同变量在具体非线性激活函数之下进行非线性组合提取得到对象的越来越多抽象特征,隐藏层每向前推进一层,提取得到的特征越具体(如图1)之所以要求特征组合的激活函数是非线性的,在于当激活函数是线性函数时,深度神经网络退化成了普通的线性算法,而线性模型有很多局限性,最著名的是它们无法学习异或函数。深度学习对数据生成的这种假设方式是否合理或有用呢?相对于机器学习对一般任务很难有效抽取特征,深度学习至少给出了一个通用方案,并且,借用一位著名统计学家的话来说: All models are wrong, but some are useful. 而事实上,学习到的表示往往比手动设计的表示表现的更好,并且它们只需要最少的人工干预,做到自动化以让人工智能迅速适应新的任务,在强化学习上取得的很大进展也是深度学习成功的重要方面之一。

深度学习及其在点融的应用(图3)

如图1展示了深度学习模仿大脑识别物体进而分层逐步抽取特征以识别任务的过程。图中分别显示了对人脸、汽车、大象和椅子的识别,给定像素,第1层可以轻易地通过比较相邻像素的亮度来识别边缘,在第1层的基础上,第2隐藏层可以容易地搜索可识别为角和扩展轮廓的边集合,于是,第3层可以找到轮廓和角的特定集合来检测特定对象的整个部分,最后识别整个图像对象。

泛化能力不足,是传统机器学习不能有效解决人工智能核心问题的另一个关键所在。局部不变性或平滑假设,流形假设(如图2)是机器学习泛化的理论基础。局部不变性或平滑假设,表明我们学习的函数不应在小区域内发生很大的变化,即函数在一个小区域内应该是连续光滑的。流形假设,即数据分布的概率密度不是均匀分布而是高度集中的。人工智能一大堆现实数据集都支持流形假设。前面提到,机器学习的本质是应用统计学,对于集的在训练集上未出现的数据区域,务必要求该集区域的邻域在训练集里已经存在,如此才可以根据训练集存在的邻域特点对集的相关区域进行相似性度量推理和判断。但是,对于人工智能的核心任务,往往存在一个问题,维度灾难,即任务所需的样本数一般远跟不上可获得的多于一般机器学习任务的变量数。表现在数据分布上,函数总是间断的非光滑的,那么局部不变性或平滑假设将不满足。此时,深度学习直接地对任务数据生成做了通用假设,数据样本可以基于先验假设分布无限获取,样本数不再是个问题。于是,维度灾难和局部不变性或平滑假设问题都得以解决,深度学习也在泛化这个人工智能的主要上取得了足够好的表现。

图 2(《深度学习》美尹恩·古德费洛等著)

深度学习及其在点融的应用(图4)

图2展示了,从一个二维空间的分布中抽取的数据样本,这些样本并不是均匀地分布在二维平面上而实际聚集在一维流形附近,像一个缠绕的带子,而实线便是学习器需要推断的隐形流形。一个更生动的例子是,英语语言里26个字母,实际有意义的单词或句子是有限的具体的密度高度集中的分布,并非26个字母组合的均匀分布。

韩国av伦理片在点融线上环境应用较多的深度学习算法是RNN,针对相关问题的序列(时间、逻辑或空间序列)关系进行建模,如出借端新客、出借用户退出行为预测及资产端用户逾期行为预测等。现简单介绍一下深度学习在出借端新客问题上的应用,需要提升注册用户的首次投资率,采集的数据主要来自用户在点融投资APP的访问行为、与业务方的互动行为、注册成为点融出借用户过程产生的各种数据如渠道等,给予用户7天的自然率,同时让用户在平台操作产生足够多的数据,对注册后7天仍未的用户,预测用户在未来23天自然的概率,对预测会自然的用户进一步预测未来投资金额的区间范围,对预测不会自然的用户进一步预测用户对点融业务方活动的应激概率。对注册后7天仍未的用户预测在未来23天自然的概率模型,从注册当天到过后第7天,每一天定义为一个观测时间点,形成长度为7的时间序列。每个时刻(时间点)的输入为该天用户产生的行为数据变量,序列最后一个时刻(第7天)有输出,未来23天用户完成了自然则输出标记1否则为0,建立2层隐藏层的LSTM模型。在该问题上,LSTM模型只是比XGBoost模型稍微好一点,几乎打平,但是将两个不同底层算法的模型进行集成效果会有一定程度的进一步提升。RNN序列模型的具体效果到底如何,模型的设计和调参训练是一方面,另一方面还在于问题自身定义里序列关系的强弱,在另一个出借用户退出行为预测问题上,退出这个行为用户存在一系列历史行为,选择用户的若干相关历史行为组成一个序列,建立LSTM模型,实践表明,此时深度学习模型会明显表现的比传统机器学习算法更好。

本文相关词条概念解析:

学习

韩国av伦理片学习,是指通过阅读、听讲、思考、研究、实践等途径获得知识或技能的过程。学习分为狭义与广义两种:狭义:通过阅读、听讲、研究、观察、理解、探索、实验、实践等手段获得知识或技能的过程,是一种使个体可以得到持续变化(知识和技能,方法与过程,情感与价值的改善和升华)的行为方式。广义:是人在生活过程中,通过获得经验而产生的行为或行为潜能的相对持久的行为方式。