|
機構,、自媒體平臺轉載務必至后臺留言,，申請版權 后臺回復【0508】 獲得課程精彩圖片 同時還可以獲得獨家推薦 《Deep Learning》全本 你一定不想錯過！ 文堅 明略數(shù)據(jù) 數(shù)據(jù)挖掘工程師 本碩就讀于香港科技大學,，研究生發(fā)表論文于頂級mobicom并獲美國專利,，參加阿里大數(shù)據(jù)競賽，于70000支隊中獲前10名,，畢業(yè)后于阿里工作,，負責探索個性化排序，相關研究工作投稿被KDD接收,。Spark,，Scikit-Learn，TensorFlow項目contributor,。目前為明略數(shù)據(jù)資深數(shù)據(jù)挖掘工程師,，主要負責數(shù)據(jù)挖掘工作。 課程回顧 Review 大家好,，我是黃文堅,，本科碩士畢業(yè)于香港科技大學，前阿里員工,，現(xiàn)明略數(shù)據(jù)數(shù)據(jù)挖掘負責人,。曾發(fā)表論文與頂級會議SIGMOBILE MobiCom, 也有一篇 KDD論文被接收。參加阿里巴巴大數(shù)據(jù)挖掘競賽,，于7000只隊伍中獲前10,。Spark, Scikit-Learn, Google TensorFlow 的contributor, 在深度學習工具TensorFlow的contributor中排名前20。
今天給大家講講深度學習,。我給大家講的比較輕松一點,，今天我不講技術原理,，主要講講技術應用。
深度學習是我們明略重要的研究方向,，是目前工業(yè)界學術界實現(xiàn)了很多令人驚嘆功能的工具,，也是通向人工智能的必經(jīng)之路。
我們先來看看深度學習能做什么,，Google研究的無人駕駛，其組件由兩個部分組成,，一個是眼睛,，一個是大腦，眼睛是激光測距儀和視頻攝像頭,，汽車收集到這些視頻信號之后,，并不能很好的識別，為了讓汽車能理解我們需要一個大腦,，這個大腦就是深度學習,，通過深度學習我們可以告訴我們的車載的計算機，現(xiàn)在前面有什么樣的物體,，并且結構化的抽取出來,。
比如說這個是通過擋風玻璃看到的畫面，讓機器理解,，必須要判斷視野內(nèi)的物體是移動還是靜止,，如果是靜止的話，可以當作是安全的物體,，只需避讓即可,，如果是移動的物體，那么還需要我們判斷他的速度和行駛方向進行相應的路線規(guī)劃,。
我們再看看人臉識別,，我們有很多技術做人臉識別，人臉識別可以做什么其他的東西呢,？深度學習不止告訴我們?nèi)四樤趫D片中哪個位置,，甚至告訴我這個人臉是誰的臉，是男性,、女性,，多大歲數(shù)都可以學習出來，包括人臉部的重要結點位置可以猜出來這個人是什么樣的表情,，甚至通過分析他嘴唇的動作,，可以說這個人在說什么話，包括頭發(fā)的顏色,，戴什么樣的墨鏡,，嘴唇涂什么樣的唇膏都可以識別出來,。
再舉一個大家熟知的格林深瞳的例子，比如說我們在重要機構里面可以有安防監(jiān)控,，深度學習訓練的卷積神經(jīng)網(wǎng)絡CNN,，可以識別被監(jiān)控的人員是否有異常的舉動，還有就是對車輛的追捕,，這輛車是否有逃逸的可能性,，超速行駛，逆行變道的風險,。
我們再看看AlphaGo
2016年3月,，Google DeepMind研發(fā)的AlphaGo 4:1 戰(zhàn)勝了世界冠軍李世石。標志了一個時代的終結和一個時代的開始,，人類在完全信息博弈的競技中敗北,，人工智能發(fā)展的元年開始。
圍棋很難被攻破的原因就是復雜度太高了,，每一步棋都有300多種可能,，一盤棋平均有200多步，總的狀態(tài)數(shù)量超過了整個宇宙中所有原子的數(shù)量,，不可能被搜索完整的狀態(tài),，我們只能通過估算和直覺進行圍棋的計算和思考。象棋很早就被攻破了,，圍棋可以堅持這么久,。深度學習可以讓機器有人類的直覺，預測人下一步要走什么,，同時分析及其應該走哪一步,。所以說DeepMind研發(fā)的AlphaGo，基本上做到了知己知彼,。
我們看看這兩個DeepMind深度學習的網(wǎng)絡,，上邊是策略網(wǎng)絡，我走到一步的時候,，分析棋盤上每個位置有多大價值,，給每個位置打一個分數(shù)。下邊這個估值網(wǎng)絡是估算黑白雙方的勝率的神經(jīng)網(wǎng)絡,。通過這兩個網(wǎng)絡的結合,，再加上一些之前通用搜索的方法，比如蒙特卡洛搜索樹,，可以讓計算機擁有一個非常強的對戰(zhàn)能力,。事實上是通過復盤的結果，AlphaGo和李世石對戰(zhàn)的時候,，AlphaGo從一開始就認為自己的勝率有60%以上,，到最后基本達到了90%,，他對整個棋盤的控制超過了人類的理解了，情況并不是很多評論員所認為的可能雙方還是均勢,，李世石還有機會等等,。大局完全都在AlphaGo的掌握當中。
Deep Q Net,，深度強化學習可以教會機器人如何靈活使用機械臂完成任務。如果之前讓一個機器人編程,，讓他去夾一個物體,，不能有太多的干擾，否則就無法實現(xiàn)準確的抓取?，F(xiàn)在我隨便放一盒子東西,，深度強化網(wǎng)絡可以自動訓練這個機器人拿什么樣的物體,，同時訓練它怎么去夾,，第一次沒有夾到那就再學習，再嘗試,，直到學會,。可以說深度學習讓機器人擁有幾歲小孩拾起物體的能力,。
Google DeepDream可以實現(xiàn)夢幻般的圖片生產(chǎn),，仿若夢魘一般。
大家看這個圖,，下邊這個圖是不是有點抽象,，這個畫是用深度學習網(wǎng)絡自動生成出來的，基本原理就是人觀察一張圖片的時候,，記不住所有的細節(jié),，在我們腦子里重構的時候會用之前的經(jīng)驗和概念在腦中塑造一個新的圖片，而深度學習也是這個意思,，在大數(shù)據(jù)量的需要上,，積累了很多過往的經(jīng)驗和數(shù)據(jù)，我們給他一幅圖片重構的時候,，就制造出一個仿佛做夢或者腦海中胡思亂想的時候對這個圖片產(chǎn)生的理解,。所以我們可以說，它已經(jīng)具備了人類對事物抽象和重構的能力,。
使用深度學習實現(xiàn)的EasyStyle,，可以將任意圖片內(nèi)容與另一種圖片風格融合
這個圖可能大家很熟悉，最上邊這位是美國總統(tǒng)競選人Trump, 中間這幅畫是著名畫家的畫作,，通過深度神經(jīng)網(wǎng)絡結合我們可以合成下面的圖,，沒有進行任何算法的調(diào)優(yōu),，它獲取上邊這個圖內(nèi)容的信息，再獲取中間這個圖風格的信息,，完美的結合就成了中間這張圖,。
Neural Doodle – 將涂鴉變成繪畫 （GIF圖片更精彩，但尺寸過大,，大家直接回復0508即可查看） 比如說隨手涂鴉一幅畫,，可以得到一幅像模像樣的一幅山水畫。我們還可以先解析一幅圖的主要組成部分,，然后調(diào)整其中的形狀,，再把原來的圖重構出來，我們可以得出現(xiàn)實生活中不存在的圖,，這個是類似于人腦對物體的解析和重構的能力,。 Image Analogies – 使用深度學習變形圖片。
Deep Q Net - 深度強化網(wǎng)絡實現(xiàn)AI自動玩游戲
（GIF圖片更精彩,，但尺寸過大,，大家直接回復0508即可查看）
GoogleDeepMind除了做圍棋軟件還有實現(xiàn)自動玩游戲的AI，人類學習并不是一個監(jiān)督和非監(jiān)督的過程,，是一個獎懲的機制,，你做對的時候會有好的刺激，比如說我哭了,，我媽媽過來把飯拿過來了,，我吃了，很高興,，我下次可能餓了還要再哭,。這套系統(tǒng)也是這樣的，隨即采取一些策略獲得比較高分的時候,，他會記住這個策略,。下邊這幅圖是太空大戰(zhàn)游戲，使用程序玩游戲已經(jīng)超過了世界上玩這個游戲選手的最高水平了,。
動態(tài)記憶網(wǎng)絡實現(xiàn)的圖片問答系統(tǒng)
我們可以看看這幅圖,，左邊是使用一個基于LSTM長短期記憶網(wǎng)絡的動態(tài)來對一段語言進行理解，并回答問題,。而右邊則是直接對圖片進行提問并讓計算機回答,，使用的技術是動態(tài)記憶網(wǎng)絡。
目前我們可以做到這種程度,，問左上角大巴的顏色是什么,，最后轉換成語言回答，雖然回答只是簡單的單詞，但是事實上深度神經(jīng)網(wǎng)絡已經(jīng)理解你的問題,，同時在圖片上理解相關要素,，然后再解析，回答你的能力了,。其他幾個圖也是類似的概念,。
Visual Genome - 下一代的圖像識別公開數(shù)據(jù)集 108,249 Images 4.2 Million Region Descriptions 1.7 Million Visual Question Answers 2.1 Million Object Instances 1.8 Million Attributes 1.8 Million Relationships Everything Mapped to Wordnet Synsets
其實深度學習學習的發(fā)展是離不開研究人員對數(shù)據(jù)集的探索的，之前我們有一個知名的數(shù)據(jù)集叫做ImageNet,是有幾百萬張圖片讓深度學習網(wǎng)絡訓練和測試?，F(xiàn)在它升級了,，叫Visual Genome，不止對圖片分類,，還要看出有什么關聯(lián),，比如說這里有一個女人，戴著帽子,，和帽子是什么關系,，是佩戴的關系。她拿著吉他是拿和演奏的關系,，我們要找不同物體之間存在的關系,。
這個圖是一個簡單的例子， 深度神經(jīng)網(wǎng)絡可以解析出這個圖片上有兩個成人和小孩,，小孩扔飛盤,，大人在看,，我們要把關聯(lián)的關系,、動態(tài)的關系都挖掘出來。
圖像識別與NLP,，使用Deep Learning解析圖像中的結構化信息,，并生成描述性語言。
我們看看這幅圖上能做什么,，我們可以讓深度神經(jīng)網(wǎng)絡先嘗試理解這幅畫得結構,，然后再用語言把這幅畫描述出來，比如生成這樣一段話：這張圖右邊有一棵樹,，左邊有一個塔,，塔有一個塔尖和一個塔身組成，塔身上有三個窗戶,，有一個門,。塔前有許多人在站著。
Word Embedding, 或者Distributed Representation, 中文叫詞向量,，是使用深度學習學習出來的單詞的向量化表示,，有如下特性： King – Man ? Queen – Woman 同時意思相似的詞，在空間位置上距離相近。
詞向量把我們常用的詞匯轉化為空間中的某一個點,，點有什么特性呢: 如果詞匯意思相近的話,，在空間中位置應該也是相近的，左上角可以找到許多點都是城市,，雖然深度神經(jīng)網(wǎng)絡不知道北京,、倫敦在什么地方，里面有什么建筑也都不知道,，但是通過大量的學習出來城市的概念,，并把他們放在空間中很相近的位置。我們并沒有任何的語言和數(shù)據(jù)教它,，是他通過大量的學習自己發(fā)現(xiàn)的,。
構建A股市場上市公司的深度知識圖譜，提供關系挖掘決策分析,。知識圖譜可以將企業(yè)的投融資,、上下游，競爭等關系關聯(lián)起來,，從而展示出一家企業(yè)在行業(yè)中的全貌,。
我們學習構建一個深度的知識圖譜可以用在企業(yè)關系的挖掘，有一家上市公司,，比如說是做鋰電池的,，可以找到他投融資的企業(yè)，并將上下游競爭關系全部聯(lián)起來,，這些企業(yè)之間會有信息的傳遞,，如果網(wǎng)絡構建足夠大可以有一個模型，分析預測這個上市公司股價以后未來的走勢,。
還有一個應用就是語音識別,，百度最近有一個語音識別，叫雙向循環(huán)神經(jīng)網(wǎng)絡BDRNN,，可以把每個音節(jié)都識別出來,，發(fā)音中略微有一些口音和錯誤，也能夠把大致的意思正確的識別出來,。這個是語音識別的可視化的圖像,，我們把語音信號降維成一個平面的圖，你會發(fā)現(xiàn)同一個元音音節(jié)和輔音音節(jié)在平面當中很相近的,，都被抽象成有相鄰關系的點,，說明它真正理解了語音這個聲頻信號代表的含義。
（GIF圖片更精彩,，但尺寸過大,，大家直接回復0508即可查看）
從核磁共振（MRI）圖像和視頻中來診斷心臟疾病,，更科學的代替肉眼建立病情診斷模型 一個更加有社會價值的就是深度學習可以作為醫(yī)療診斷的重要根據(jù)，這是去年特別有名的心臟疾病診斷的比賽,，當時參加比賽的最后獲得冠軍的隊伍,，他們做到了準確度甚至超過了專家的水平。將幾萬張圖片給深度學習的網(wǎng)絡學習規(guī)律,，其中正確答案是五位專家商討得到的,，但是計算機的水平超過了單個專家的診斷水平。
Deep Learning in Bioinformatics：深度學習在生物醫(yī)學領域,，比如醫(yī)學圖像處理,、醫(yī)學信號處理等有很好的應用基礎
還有一個應用的領域，對DNA的解析,，有很多遺傳病是基因突變引起的,，可能不是某一兩個節(jié)點，可能是同時有幾千個節(jié)點發(fā)生了問題,，讓人判斷究竟怎么組合才會出問題是不可能了,。這個時候深度學習可以來告訴我們，我們拿到一個人DNA之后,，可以自動分析出來你在未來得某種疾病的幾率有多少,，可以提早的預防治療。
我們看看深度學習到底為什么這么厲害,？深度學習是一個對特征不斷抽象的過程,，我們給他一個圖片，深度神經(jīng)網(wǎng)絡首先提取出點和邊,，然后組合成人局部的器官,，比如說一個眼睛和鼻子，局部的器官之后可以把拼接成一個個人臉,，人臉外貌上有差異,，我們用模版再匹配出最相似的就可以看看有沒有人臉,，深度學習非常像人的學習過程,，你必須一層一層的抽象才能理解更深的概念,，之所以叫深度是有多層的學習網(wǎng)絡,，每一層是把特征抽象更高階的概念,，理解非常復雜的事物,。
這是深度學習網(wǎng)絡可視化的結果,，我們給一個識別數(shù)字的神經(jīng)網(wǎng)絡一張數(shù)字‘8’的圖,，可以清楚的看到每一層神經(jīng)網(wǎng)絡對原圖進行了哪些特征變換,。
這是一個深度學習常見的卷積結構，細節(jié)不講了,，大家可以感受一下,，其中主要了Convolution Layer, Max-Pooling Layer, 以及ReLu Activation。
Auto-Encoder(Layer-wise Training), RBM, DBN ·PReLu, RReLu ·Dropout ·RNN, LSTM ·Max-Out ·Highway (Residual Net) ·Batch normalization ·Weight normalization 隨著研究的不斷深入，深度學習還有著各種各樣的變種和組件,，上面這些一些最新的關于深度學習的研究成果,。
我們講講深度學習在我們明略項目中的應用，我們有個很大的制造業(yè)客戶,，他們有個故障預測的項目,，我們能做什么呢？深度學習除了建模的能力比普通的強一點,，還可以學習時間序列的結構,，設備傳感器的數(shù)據(jù)是一個時間序列，每一秒鐘或者多少毫秒產(chǎn)品信號,，我們用傳統(tǒng)的方法很難處理這么高緯度,，這么大數(shù)據(jù)量的模型法國，深度學習可以理解在時間上的關系,，大大提高我們對故障分類的預測,。
另外一個就是在銀行對不良客戶檢測的模型中，我們有數(shù)百維的儲蓄,、消費,、信貸特征如果我們請專家來做非常困難，因為很多時候,，當你的特征太多了,，很難想到那么多規(guī)則的組合，用深度學習可以進行自動特征組合,，比如說發(fā)現(xiàn)我的銀行的儲蓄額很高,，但是可能在月底突然取出來了，可能就代表著我可能只是臨時在里面,，跟別人借的錢放在里面,，并不是我有這么高的資金做抵押，這個時候發(fā)現(xiàn)的時候,，就可以排除在外,，這個可能就超過了很多行業(yè)專家的工作效率了。
某制造業(yè)故障分析及預測,，對傳感器信號的幾百萬次檢測數(shù)值的時間序列分析,，使用CNN以及RNN進行建模，對錯誤進行分類以及預測,。 某銀行不良客戶檢測,，對客戶數(shù)百個行內(nèi)儲蓄,，消費,，信貸特征,，以及數(shù)十的行外標簽特征，使用深度學習進行自動特征組合,，提取出高層次的特征,，將檢測準確率大大提升
深度學習對我們的明略的數(shù)據(jù)挖掘平臺DataInsight是前沿的重要的方向，我們會推出軟硬一體的解決方案,，也會使用TESLA GPU做深度學習加速器,。
NVIDIA DGX-1? 世界第一臺為深度學習特別定制的系統(tǒng)。它革命性的性能極大縮短了神經(jīng)網(wǎng)絡的訓練時間,，性能等效于250臺CPU服務器的集群,。
NVIDIA Tesla? P100 accelerator. 第一塊Pascal架構的顯卡 擁有180億晶體管 使用 NVIDIA NVLINK? 使用16nm FinFET 制造工藝 Tesla P100 不僅是目前性能最強的GPU加速器， 也是技術最先進的GPU芯片 DataInsight的分布式深度學習系統(tǒng)
基于TensorFlow分布式版的方案,，可同時利用集群中每臺服務器的CPU以及GPU 基于Spark的分布式方案：Elephas(依賴Keras), SparkNet, CaffeOnSpark(依賴Caffe) 基于CNTK, MXNET的分布式版本方案,，只能使用集群中的CPU或GPU
DataInsight將全部支持以上三種方案,，并將非算法網(wǎng)絡結構的部分全部封裝,，只暴露給用戶對其建模有幫助的參數(shù),，簡化用戶搭建分布式系統(tǒng)的工作。
好的,，謝謝大家，今天的圖文講解部分就到這里了,，下面大家可以向我提問。（沒能夠參與微課的朋友們可以在本文下方留言處留言提問哦~） 問答時間 Question Q：老師你的CNN在大數(shù)據(jù)環(huán)境下用什么來實現(xiàn)的,？ A：我們的CNN在大數(shù)據(jù)環(huán)境下使用分布式的Tensorflow實現(xiàn)的。 Q：可不可以分享一些你們實現(xiàn)CNN方法的資料或者博客,？ A： 百度的BDRNN目前沒有相關文章,，可以參考wrap-CTC，github的開源項目,。 Q：你們的這個Datainsight頭次聽說 性能跟caffe torch比起來咋樣呀,？ A： 我們不是底層的深度學習框架，是上層的應用,，我們底層封裝的是分布式的tensorflow，整理成了一個圖形化可拖拽的易用可靠的分布式深度學習平臺,。 Q：有什么深度學習的好書嗎,，適合初學的？ A：有一般MIT出版的《 Deep Learning》,。這本書沒實體,，只有電子版。（黃老師獨家推薦,，回復0508即可獲得,，限時下載，不要錯過哦） Q：可不可以分享一些你們實現(xiàn)CNN方法的資料或者博客,？ A：我們的底層CNN使用通過tensorflow實現(xiàn)的,，可以參考tensorflow的tutorial。 Q：深度學習在健身上有什么應用,，因為我是健身愛好者 ,。 A：可以用來做健身類運動的推薦系統(tǒng)。 Q：銀行不良客戶識別用的是什么模型? A：深度學習模型,，一個多層的神經(jīng)網(wǎng)絡,，沒有CNN，RNN,，但使用了dropout Q：tensorflow與caffe,、theano等那個更適合初學者學習？ A：最適合初學者的是keras,，基于theano和tensorflow的上層封裝,。 Q：深度學習做推薦系統(tǒng)可以么？ A：當然可以,，做一個分類的模型即可,，輸出概率 Q：在醫(yī)學信號處理領域，有應用深度學習的參考文獻嗎,？ A：非常多,，可以在acmdl搜索deep learning以及medical image Q：機器學習可以做決策、分類,，也可以做時間序列預測么,？ A：可以，類似于CNN和RNN,，都是專門為時間序列分析而生的,，效果很好。 Q：一般做實驗發(fā)論文用的硬件配置是怎么樣的,？需要GPU集群嗎,？ A：性價比最高的方案是配一臺單機加幾塊Titan X GPU。 Q：基于spark那幾個去哪里找,？spark不自帶吧,？ A：從github找,，那幾個名字的都能找到。 Q：在什么樣的制造企業(yè)使用過,？有做過質量分析的嗎 ,？ A：國內(nèi)頂尖的制造業(yè)，中國中車,，做的故障分析,。 Q：深度學習可以做視頻的目標跟蹤嗎？ A：可以,，可以做object detection,。 Q：故障預測那部分實例能詳細解釋下么？ A：把傳感器信號記錄的結果當做時間序列,，然后用CNN和RNN去處理時間序列,，做一個分類模型。 Q：深度神經(jīng)和bp就是在每次訓練都去修正權值嗎 ,？ A：對的,，所有機器學習模型都是在訓練中修正參數(shù)。 Q：在電商領域,，怎么應用深度學習做推薦系統(tǒng)呢,？ A：用客戶的點擊，購買行為,，還有畫像數(shù)據(jù),，使用深度學習做一個ctr預估模型。 Q：Learning to Rank 的深度學習模型有哪些, supervised 還是 unsupervised,？ A：learning to rank不知道有沒有深度學習,，只聽說過ranksvm， rankgbdt等,。 Q：是不是先要給電腦換個好一些的gpu才能搞深度學習,？有沒有推薦的？價格4000左右,。 A：4000左右很難,，起碼得有一塊好的gpu。 Q：工業(yè)界基于VGG這樣訓練好的模型進行再訓練的例子多么,？這個方法有什么好壞,？ A：可以，很好,，還可以用google inception v3,。 壞處就是對你的問題場景不一定很切合。 Q：深度學習怎么入門？ A：先上手代碼,，從keras的tutorial開始入門,。 Q：差點的gpu,是不是就慢點,，也可以做深度學習的,，對嗎？ A：對,，就是慢點,，cpu也可以，使用cpu的話最快的是tensorflow,。 Q：深度學習每一層都是一個特征,，比如bp網(wǎng)絡，中間的隱藏層輸出后,，可視化就是個抽象的特征嗎,？ A：是的，每一層是對特征的一種抽象行駛,。 Q：有什么深度學習的好書嗎,，適合初學的。深度學習應該從哪里入門呢,？用不用先把ML過一遍再開始學 ,？ A：書的話推薦MIT的 《Deep Learning》（黃老師獨家推薦，回復0508即可獲得,，限時下載,，不要錯過哦），代碼從keras的tutorial開始,。 Q：CNN模型是否都是supervised? A：目前我了結到的是這樣的,。 Q：深度學習與物聯(lián)網(wǎng)有何聯(lián)系？ A：沒有特別直接的聯(lián)系,。 Q：深度學習需要高質量數(shù)據(jù)集,，數(shù)據(jù)集除了UCI，還有哪些公開渠道獲得數(shù)據(jù)集,？ A：imagenet,， visual genome Q：深度學習可以用于股票分析嗎？ A：可以,，我本人會使用深度學習做股票漲跌預測,，量化交易。 Q：是不是可以理解為高品質數(shù)據(jù)是深度學習成敗的最關鍵因素,？ A：是的,，高品質大量的數(shù)據(jù)是關鍵。 Q：深度學習是在以往神經(jīng)網(wǎng)絡的基礎上每次迭代都增加了權值修正嗎 ,？ A：不主要是這樣,，深度學習主要是神經(jīng)的層數(shù)比較多,，比較深，對特征的抽象比較好,。 Q：在電商領域,，怎么應用深度學習做推薦系統(tǒng)呢？ A：用客戶的點擊,，購買行為,，還有畫像數(shù)據(jù)，使用深度學習做一個ctr預估模型,。 Q：如何把imagenet 的圖片和自己的圖片放一起訓練 ,？ A：可以先用訓練好的google inception v3，再訓練自己的圖片,。 Q：做股票,，有具體的實現(xiàn)模型嗎？給大家參考 A：這個不能公開,，但是可以討論思想,。 Q：請問在醫(yī)療的數(shù)字骨科方面有沒有應用呢？ A：很多,，針對醫(yī)療圖像做疾病診斷,。 Q：對于因素提取方面，深度學習是不是可以自動進行,，對于非監(jiān)督學習,，深度學習效果真的很好嗎？ A：非監(jiān)督的目前主要是autoencoder,， 深度學習三巨頭之一說非監(jiān)督是為了深度學習最重要的方向,。 Q：CNN卷積核如何優(yōu)化還是可以訓練調(diào)整？ A：CNN卷積核的參數(shù)可以在訓練中自動調(diào)整,，自動優(yōu)化,。 Q：能否介紹下哪個CNN模型的卷積核有自動調(diào)整優(yōu)化的？ A：所有的有CNN實現(xiàn)的框架,，theano,，tensorflow，mxnet,，caffe,，torch都是可以自動優(yōu)化CNN的參數(shù)。 Q：深度學習崗位,，編程能力要很強嗎,？ A：需要比較強的工程實現(xiàn)能力。 Q：這種處理的結果是預測是否在某一時間節(jié)點發(fā)生故障吧？那么引發(fā)故障的影響因子能做預測么,？ A：引發(fā)故障的因子是黑盒分析的,，深度學習的模型并不能準確知道。 Q：請問對于時間序列的預測問題除了RNN CNN 以外,，是否還有LSTM,， 除了深度學習 其他有哪些最常用的機器學習方法呢？ A：LSTM也屬于RNN, 其他的一些機器學習方法做時間序列不方便,，可以使用ARIMA,。 Q：學深度學習,，除了看tutorial,，還需要怎樣來提高？因為tutorial可能都是比較現(xiàn)成的東西,。,。去參加kaggle？感覺是不是節(jié)奏太快,？ A：參加kaggle比賽是個好方法,，上面要贏得比賽，會經(jīng)常需要deep learning,，還有xgboost,。 Q：人工智能這一塊，可以推薦些高校和專業(yè)嗎,？老弟今年高考,，希望給點建議！ A：北大智能系,。 Q：請問,，在電商做用戶分類和推薦，主要用什么方法比較好,？ A：傳統(tǒng)一點的,，gbdt lr， 新的 用深度學習 …… 大家關注我們后,，可以在文末留言區(qū)繼續(xù)留言提問,！ |
|
|
來自： CharlseShan > 《IT》
