人工智能應(yīng)用概論（第2版） 課件 第3、4章 機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

第三章

機(jī)器學(xué)習(xí)

《人工智能應(yīng)用概論（第2版）》RengongZhinengYingyongGailun“十四五”廣西壯族自治區(qū)職業(yè)教育規(guī)劃教材

新編21世紀(jì)高等職業(yè)教育精品教材·通識(shí)課系列Part0101機(jī)器學(xué)習(xí)概念Part0202機(jī)器學(xué)習(xí)的工作原理及算法Part0303機(jī)器學(xué)習(xí)分類目

錄contentPart01機(jī)器學(xué)習(xí)概念

【課程導(dǎo)入】人類學(xué)習(xí)與機(jī)器學(xué)習(xí)相同與相異1.1機(jī)器學(xué)習(xí)的定義機(jī)器學(xué)習(xí)是一門多學(xué)科交叉專業(yè)，涵蓋概率論知識(shí)、統(tǒng)計(jì)學(xué)知識(shí)、近似理論知識(shí)和復(fù)雜算法知識(shí)，使用計(jì)算機(jī)作為工具并致力于真實(shí)實(shí)時(shí)的模擬人類學(xué)習(xí)方式，并將現(xiàn)有內(nèi)容進(jìn)行知識(shí)結(jié)構(gòu)劃分來有效提高學(xué)習(xí)效率。機(jī)器學(xué)習(xí)已廣泛應(yīng)用于數(shù)據(jù)挖掘、計(jì)算機(jī)視覺、自然語言處理、生物特征識(shí)別、搜索引擎、醫(yī)學(xué)診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序語音和手寫識(shí)別、游戲和機(jī)器人等領(lǐng)域。1.2機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)與人類學(xué)習(xí)模式相似，如古代諸葛亮夜觀天象實(shí)現(xiàn)草船借箭、牛頓被蘋果砸發(fā)現(xiàn)“萬有引力”、中國古人發(fā)現(xiàn)自然規(guī)律的“二十四氣節(jié)”，春耕秋收。機(jī)器學(xué)習(xí)是一種使計(jì)算機(jī)能夠從數(shù)據(jù)中學(xué)習(xí)并做出決策的技術(shù)。它通過訓(xùn)練模型來識(shí)別數(shù)據(jù)中的模式和規(guī)律，從而實(shí)現(xiàn)對未知數(shù)據(jù)的預(yù)測和分類。如人臉識(shí)別、貓狗識(shí)別、農(nóng)作物病蟲害識(shí)別、電路版上瑕疵識(shí)別等。1.3機(jī)器學(xué)習(xí)的地位機(jī)器學(xué)習(xí)在人工智能學(xué)科體系，乃至計(jì)算機(jī)科學(xué)體系中都占有舉足輕重的地位。1.4機(jī)器學(xué)習(xí)的發(fā)展歷程機(jī)器學(xué)習(xí)發(fā)展過程也是人工智能發(fā)展的過程，從IBM西洋跳棋人機(jī)PK到深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)谷歌的阿爾法狗，再到最近的Ai大模型出現(xiàn)。1.5機(jī)器學(xué)習(xí)的分類機(jī)器學(xué)習(xí)是一個(gè)比較寬泛的概念，主要包括監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等。1.6機(jī)器學(xué)習(xí)的算法分類Scikit-learn是機(jī)器學(xué)習(xí)領(lǐng)域中最知名的Python庫之一，在學(xué)習(xí)機(jī)器學(xué)習(xí)的過程中，必繞不開Scikit-learn。Scikit-learn提供了一幅清晰的路線圖給大家做算法選擇。1.7【課堂練習(xí)】【課堂思考】簡述機(jī)器學(xué)習(xí)與人類學(xué)習(xí)有什么相同之處？Part02機(jī)器學(xué)習(xí)的工作原理及算法2.1線性回歸算法線性回歸算法是一種通過屬性的線性組合來擬合圖中的點(diǎn)，找到一條直線或者一個(gè)平面或者更高維的超平面，使得預(yù)測值與真實(shí)值之間的誤差最小化。線性回歸的基礎(chǔ)概念涉及到統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域，它利用稱為線性回歸方程的最小平方函數(shù)對一個(gè)或多個(gè)自變量和一個(gè)因變量之間的關(guān)系進(jìn)行建模。2.1線性回歸算法【案例】探索學(xué)習(xí)時(shí)長與分?jǐn)?shù)之間的關(guān)系。某門課程中學(xué)生學(xué)習(xí)時(shí)長（天數(shù)）與期末考試分?jǐn)?shù)統(tǒng)計(jì)表如表3-2所示。【問題】找出一根線擬合圖中的點(diǎn)2.1線性回歸算法（1）擬合圖中的點(diǎn)有無數(shù)條直線，哪條直線是最好擬合圖中的點(diǎn)。（2）計(jì)算出每個(gè)點(diǎn)分別到每條線上的誤差之和（3）誤差最小的就是最佳的擬合線，該線就是我們的要找的線（方程），該方程是我們的模型。2.2K最近鄰分類算法K最近鄰(k-NearestNeighbor，KNN)分類算法，是一個(gè)理論上比較成熟的方法，也是最簡單的機(jī)器學(xué)習(xí)算法之一。該方法的思路是：在特征空間中，如果一個(gè)樣本附近的k個(gè)最近(即特征空間中最鄰近)樣本的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。如果K=3，綠色圓點(diǎn)的最近的3個(gè)鄰居是2個(gè)紅色小三角形和1個(gè)藍(lán)色小正方形，少數(shù)從屬于多數(shù)，基于統(tǒng)計(jì)的方法，判定綠色的這個(gè)待分類點(diǎn)屬于紅色的三角形一類。如果K=5，綠色圓點(diǎn)的最近的5個(gè)鄰居是2個(gè)紅色三角形和3個(gè)藍(lán)色的正方形，還是少數(shù)從屬于多數(shù)，基于統(tǒng)計(jì)的方法，判定綠色的這個(gè)待分類點(diǎn)屬于藍(lán)色的正方形一類。2.2K最近鄰分類算法

【做一做】使用無監(jiān)督學(xué)習(xí)對10000篇新聞報(bào)到分析，對其新聞內(nèi)容特征進(jìn)行提取，K1科技類、游戲類K2、汽車類K3。請問下黑色點(diǎn)是屬于哪個(gè)區(qū)域？屬于哪些新聞？如何分析K1K2K3?2.3決策樹算法決策樹分類算法的關(guān)鍵就是根據(jù)“先驗(yàn)數(shù)據(jù)”構(gòu)造一棵最佳的決策樹，用以預(yù)測未知數(shù)據(jù)的類別。決策樹是一個(gè)樹結(jié)構(gòu)(可以是二叉樹或非二叉樹)。其每個(gè)非葉節(jié)點(diǎn)表示一個(gè)特征屬性上的測試，每個(gè)分支代表這個(gè)特征屬性在某個(gè)值域上的輸出，而每個(gè)葉節(jié)點(diǎn)存放一個(gè)類別。使用決策樹進(jìn)行決策的過程就是從根節(jié)點(diǎn)開始，測試待分類項(xiàng)中相應(yīng)的特征屬性，并按照其值選擇輸出分支，直到到達(dá)葉子節(jié)點(diǎn)，將葉子節(jié)點(diǎn)存放的類別作為決策結(jié)果。信用等級(jí)決策樹算法模型2.4支持向量機(jī)SVM算法SVM想要的就是找到各類樣本點(diǎn)到超平面的距離最遠(yuǎn)，也就是找到最大間隔超平面?！景咐渴褂肧VM算法完成水果識(shí)別分類。比如紅色表示“蘋果”，黃色表示“獼猴桃”，那么如何找到一個(gè)平面最大化的將兩類群體分開，如右圖所示，分開有很多種方式，左側(cè)也可以分開，右側(cè)也能分開。但明顯的，右側(cè)會(huì)“分的更開”，因而如何尋找到這樣的一個(gè)空間平面，讓標(biāo)簽項(xiàng)各類別最為明顯的分開，此算法過程即為支持向量機(jī)。將點(diǎn)分開時(shí)，離平面最近的點(diǎn)要盡可能的遠(yuǎn)，比如右側(cè)時(shí)A點(diǎn)和B點(diǎn)離平面最近，那么算法需要想辦法讓該類點(diǎn)盡可能地遠(yuǎn)離平面，這樣就稱為“分的更好”。左側(cè)時(shí)挨著平面最近的兩個(gè)點(diǎn)離平面太近，所以右側(cè)的分類更好。SVM算法完成水果識(shí)別分類2.4支持向量機(jī)SVM算法SVM想要的就是找到各類樣本點(diǎn)到超平面的距離最遠(yuǎn)，也就是找到最大間隔超平面(多維)。Part03機(jī)器學(xué)習(xí)分類3.1監(jiān)督學(xué)習(xí)【知識(shí)回顧】機(jī)器學(xué)習(xí)是一種使計(jì)算機(jī)能夠從數(shù)據(jù)中學(xué)習(xí)并做出決策的技術(shù)。它通過訓(xùn)練模型來識(shí)別數(shù)據(jù)中的模式和規(guī)律，從而實(shí)現(xiàn)對未知數(shù)據(jù)的預(yù)測和分類。監(jiān)督學(xué)習(xí)（supervisedlearning）是機(jī)器學(xué)習(xí)的一類，給機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)打上標(biāo)簽。房價(jià)預(yù)測模型：是根據(jù)房子的特征來預(yù)測房子價(jià)格。收集10個(gè)房子樣本，樣本的特征包括有地區(qū)、房子大小、年齡等共13個(gè)特征，10個(gè)房子的房價(jià)，作為標(biāo)簽。先將房子13個(gè)特征和標(biāo)簽作為值，放入SVM或者決策樹算法，由電腦來計(jì)算，計(jì)算誤差最小的方程。我們把這個(gè)過程稱為監(jiān)督學(xué)習(xí)。3.1監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)分為回歸和分類。回歸的預(yù)測結(jié)果是連續(xù)性的，比如房價(jià)預(yù)測、路程花費(fèi)時(shí)間預(yù)測、股價(jià)走勢預(yù)測。監(jiān)督學(xué)習(xí)分為回歸和分類。分類的預(yù)測結(jié)果是離散的，比如腫瘤是良性/惡性，郵件是垃圾郵件/非垃圾郵件，天氣時(shí)好還是壞。3.2無監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一種重要方法，與監(jiān)督學(xué)習(xí)相對應(yīng)。它的目標(biāo)是從無標(biāo)簽的數(shù)據(jù)中發(fā)現(xiàn)隱藏的結(jié)構(gòu)和模式，而不需要預(yù)先定義的目標(biāo)變量。無監(jiān)督學(xué)習(xí)的核心思想是通過對數(shù)據(jù)的統(tǒng)計(jì)特性和相似性進(jìn)行分析，來發(fā)現(xiàn)數(shù)據(jù)中的潛在結(jié)構(gòu)和模式。無監(jiān)督學(xué)習(xí)可以分為兩類問題：聚類和降維。聚類問題是將數(shù)據(jù)分成不同的組或簇，使得同一組內(nèi)的數(shù)據(jù)相似度高，不同組之間的相似度低。降維問題是將高維數(shù)據(jù)映射到低維空間，以減少特征維度和數(shù)據(jù)復(fù)雜性。3.2無監(jiān)督學(xué)習(xí)電商平臺(tái)對客戶的瀏覽痕跡、購買數(shù)量等特征進(jìn)行學(xué)習(xí)分類。Google新聞按照內(nèi)容結(jié)構(gòu)的不同分成財(cái)經(jīng)，娛樂，體育等不同的標(biāo)簽，這就是無監(jiān)督學(xué)習(xí)中的聚類3.3強(qiáng)化學(xué)習(xí)在強(qiáng)化學(xué)習(xí)中，智能體（Agent）與環(huán)境（Environment）交互，智能體根據(jù)環(huán)境狀態(tài)進(jìn)行決策并執(zhí)行動(dòng)作，環(huán)境根據(jù)智能體的動(dòng)作給予獎(jiǎng)勵(lì)或者懲罰。強(qiáng)化學(xué)習(xí)目標(biāo)是讓智能體學(xué)習(xí)到最優(yōu)策略，使得累積獎(jiǎng)勵(lì)最大化。強(qiáng)化學(xué)習(xí)的原理五子棋人機(jī)博弈謝謝THANKS第四章

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

《人工智能應(yīng)用概論（第2版）》RengongZhinengYingyongGailun“十四五”廣西壯族自治區(qū)職業(yè)教育規(guī)劃教材

新編21世紀(jì)高等職業(yè)教育精品教材·通識(shí)課系列Part0101神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)概念Part0202

深度學(xué)習(xí)原理目

錄contentPart0303卷積神經(jīng)網(wǎng)絡(luò)

【課程導(dǎo)入】現(xiàn)實(shí)中，我們的大腦接收眼睛或耳朵傳遞來的數(shù)據(jù)（輸入源），會(huì)通過一層層的神經(jīng)元去解析數(shù)據(jù)（神經(jīng)元），然后得到我們對于所見的判斷（輸出源）。對整個(gè)實(shí)現(xiàn)過程的抽象理解如圖4-2所示Part01神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)概念4.1.1生物神經(jīng)元（Biologicalneuron）人工神經(jīng)網(wǎng)絡(luò)是受到人類大腦結(jié)構(gòu)的啟發(fā)而創(chuàng)造出來的。生物神經(jīng)元是神經(jīng)系統(tǒng)的基本功能單元，負(fù)責(zé)接收、處理和傳遞信息。人類大腦中包含大約860億個(gè)神經(jīng)元，它們通過復(fù)雜的網(wǎng)絡(luò)相互連接，實(shí)現(xiàn)各種神經(jīng)功能。生物神經(jīng)元的結(jié)構(gòu)包括細(xì)胞體、樹突、軸突和突觸。以下是具體介紹：細(xì)胞體：細(xì)胞體是神經(jīng)元的主要部分，包含細(xì)胞核、細(xì)胞質(zhì)和細(xì)胞膜。它是神經(jīng)元的代謝中心，維持細(xì)胞的生命活動(dòng)。樹突：樹突是從細(xì)胞體向外延伸的分支纖維，主要作用是接收來自其他神經(jīng)元的信號(hào)。一個(gè)神經(jīng)元可以有多個(gè)樹突，這使得神經(jīng)元能從多個(gè)源頭接收信號(hào)。軸突：軸突是一條長的纖維，從細(xì)胞體延伸出來，負(fù)責(zé)將信號(hào)從細(xì)胞體傳遞到其他神經(jīng)元或組織。一個(gè)神經(jīng)元只有一個(gè)軸突，其長度可從幾微米到一米不等。突觸：突觸是神經(jīng)元之間傳遞信息的連接點(diǎn)，通常是軸突末端與其他神經(jīng)元的樹突或細(xì)胞體相接觸的部分。在這里，神經(jīng)遞質(zhì)被釋放，從而將信號(hào)從一個(gè)神經(jīng)元傳遞到另一個(gè)神經(jīng)元。4神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元結(jié)構(gòu)的計(jì)算模型。人工神經(jīng)網(wǎng)絡(luò)（ANN）由神經(jīng)元（圓圈）和權(quán)重w（直線）兩部分組成，分為輸入層、隱藏層、輸出層。其中，輸入層相當(dāng)于輸入元，隱藏層相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)輸出層相當(dāng)于輸出源。三層之間的神經(jīng)元相互連接，和權(quán)重組（w1，w2）經(jīng)過前向算法和反饋算法的數(shù)學(xué)運(yùn)算，最終將結(jié)果以“激活碼”的方式輸出，這與生物（人類）神經(jīng)元中的突觸十分相似。輸入層是神經(jīng)網(wǎng)絡(luò)與外界數(shù)據(jù)的接口，負(fù)責(zé)接收并傳輸輸入數(shù)據(jù)到網(wǎng)絡(luò)中。隱藏層通過非線性變換和特征提取來加工輸入數(shù)據(jù)。輸出層將神經(jīng)網(wǎng)絡(luò)的處理結(jié)果轉(zhuǎn)換為外界可以理解的格式。4.1.2人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks）4神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的基礎(chǔ)，而深度學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)的一種特殊形式。深度學(xué)習(xí)是一種特殊的機(jī)器學(xué)習(xí)方法，采用多層神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)數(shù)據(jù)的高級(jí)特征。每一層網(wǎng)絡(luò)都從前一層的輸出中提取更復(fù)雜的信息，如自動(dòng)駕駛。4.1.3深度學(xué)習(xí)(DeepLearning)如：自動(dòng)駕駛中，將攝像頭、雷達(dá)、GPS、速度數(shù)據(jù)集放入到輸入層，經(jīng)過多層神經(jīng)網(wǎng)絡(luò)層計(jì)算，最終輸出層輸出方向、剎車、加速參數(shù)，實(shí)現(xiàn)自動(dòng)駕駛的效果。4八大深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)：CNN卷積神經(jīng)網(wǎng)絡(luò)（圖像識(shí)別與分類）、RNN循環(huán)神經(jīng)（）、GAN對抗神經(jīng)網(wǎng)絡(luò)（生成式AI，生成新圖片）、LSTM長短期（天氣預(yù)測）、Transformer神經(jīng)網(wǎng)絡(luò)（自然語言處理）。4.1.3深度學(xué)習(xí)(DeepLearning)4傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的主要區(qū)別在于特征。傳統(tǒng)機(jī)器學(xué)習(xí)算法中，我們需要手工編碼特征；在深度學(xué)習(xí)算法中，特征由算法自動(dòng)完成，但耗時(shí)且需要海量數(shù)據(jù)。4.1.4深度學(xué)習(xí)(DeepLearning)與機(jī)器學(xué)習(xí)Part02神經(jīng)網(wǎng)絡(luò)技術(shù)原理4感知器，也可翻譯為感知機(jī)（神經(jīng)元），是FrankRosenblatt在1957年就職于Cornell航空實(shí)驗(yàn)室時(shí)所發(fā)明的一種人工神經(jīng)網(wǎng)絡(luò),被視為一種最簡單形式的前饋式人工神經(jīng)網(wǎng)絡(luò)，是一種二元線性分類器。工作機(jī)制：輸入層I*W（I1*W1+I2*W2+I3*W3+......）求和sum,將sum放入到f(X)激活函數(shù)，如果大于閾值T則為1，否則為0。如使用感知層識(shí)別西瓜和香蕉。4.2.1感知機(jī)模型-單層感知層1.假設(shè)西瓜和香蕉都僅有兩個(gè)特征（feature）：形狀和顏色，特征x1代表輸入顏色，特征x2代表形狀；2.進(jìn)一步簡化，我們把權(quán)重w1和w2默認(rèn)值都為1，閾值θ（亦稱偏值——bias）設(shè)置為0；3.感知器輸出為“1”，代表判定為“西瓜”，而輸出為“0”，代表判定為“香蕉”4多層感知機(jī)（MLP，MultilayerPerceptron）除了輸入輸出層，它中間可以有多個(gè)隱層。最簡單的MLP只含一個(gè)隱層，即三層的結(jié)構(gòu)，層與層之間是全連接的。輸入層是神經(jīng)網(wǎng)絡(luò)與外界數(shù)據(jù)的接口，負(fù)責(zé)接收并傳輸輸入數(shù)據(jù)到網(wǎng)絡(luò)中。隱藏層通過非線性變換和特征提取來加工輸入數(shù)據(jù)。輸出層將神經(jīng)網(wǎng)絡(luò)的處理結(jié)果轉(zhuǎn)換為外界可以理解的格式。4.2.1感知機(jī)模型-多層感知機(jī)44.2.2深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetworks）【深度學(xué)習(xí)工作原理】深度學(xué)習(xí)是不停更改實(shí)驗(yàn)因素的參數(shù)，讓預(yù)測值接近真實(shí)值的過程。深度學(xué)習(xí)的過程首先是輸入層接收數(shù)據(jù)，經(jīng)過隱藏層的前向算法（數(shù)據(jù)變換）得到一個(gè)預(yù)測值，預(yù)測值與真實(shí)目標(biāo)值代入損失函數(shù)，使用反饋算法計(jì)算出最小的損失值，然后把損失值放入優(yōu)化器中來有方向性地更改權(quán)重值，這樣就完成了一次學(xué)習(xí)過程。不斷循環(huán)以上過程更改參數(shù)，讓預(yù)測值接近真實(shí)目標(biāo)值，這就是深度學(xué)習(xí)的過程。44.2.3深度學(xué)習(xí)核心算法-前向傳播前向傳播用來計(jì)算預(yù)測值y。在神經(jīng)網(wǎng)絡(luò)中，信息從上一個(gè)神經(jīng)元直接流轉(zhuǎn)到下一個(gè)神經(jīng)元，直到輸出，最終得到在當(dāng)前參數(shù)下的損失函數(shù)的過程，稱為前向傳播算法。（類似學(xué)生做試題寫答案）44.2.3深度學(xué)習(xí)核心算法-反向傳播算法反向傳播算法是計(jì)算預(yù)測輸出與真實(shí)標(biāo)簽之間的誤差。反向傳播是一種基于微積分中鏈?zhǔn)椒▌t的算法，用于計(jì)算神經(jīng)網(wǎng)絡(luò)中各層權(quán)重和偏差的梯度。其核心思想是從輸出層開始，逐層向輸入層逆向傳播誤差，并計(jì)算每個(gè)參數(shù)的梯度。這一過程利用了前向傳播中保存的中間結(jié)果，避免重復(fù)計(jì)算，提高了訓(xùn)練效率。44.2.3深度學(xué)習(xí)核心算法-梯度下降梯度下降的過程可把求解損失函數(shù)最小值的過程看成“站在山坡某處去尋找山坡的最低點(diǎn)”。我們并不知道最低點(diǎn)的確切位置，梯度下降的策略是每次向“下坡路”的方向走一小步，經(jīng)過長時(shí)間地走“下坡路”，最后停留的位置也大概率在最低點(diǎn)附近。我們選這個(gè)“下坡路”的方向?yàn)樘荻确较虻呢?fù)方向，因?yàn)槊總€(gè)點(diǎn)的梯度負(fù)方向是在該點(diǎn)處函數(shù)下坡最陡的方向，如圖4-7所示。在計(jì)算出梯度后，使用梯度下降算法更新網(wǎng)絡(luò)參數(shù)。更新規(guī)則為：新參數(shù)=舊參數(shù)-學(xué)習(xí)率*梯度，使得每次更新的參數(shù)其誤差縮小最快。44.2.4深度學(xué)習(xí)應(yīng)用場景-信貸場景下客戶信用評(píng)分信貸評(píng)分卡模型（見圖4-8）是當(dāng)前最常見的金融風(fēng)控手段之一，在信貸場景下客戶貸前申請、貸中調(diào)額、貸后催收等貸款生命周期的主要環(huán)節(jié)中已經(jīng)被普遍應(yīng)用。它主要是根據(jù)客戶的各種屬性和行為數(shù)據(jù)，建設(shè)信用評(píng)分模型，基于模型判斷是否給予授信以及授信的額度，從而識(shí)別和減少金融業(yè)務(wù)中的交易風(fēng)險(xiǎn)。在對客戶進(jìn)行信用評(píng)分時(shí)，核心難點(diǎn)在于突發(fā)事件等因素可能導(dǎo)致模型效果不穩(wěn)定，因此需要能有效快速進(jìn)行模型自迭代的完整循環(huán)。輸入客戶特征數(shù)據(jù)違約1/不違約0CHiME-6被稱為“史上最難的語音識(shí)別任務(wù)”4深度學(xué)習(xí)在圖像和物體識(shí)別方面的能力遠(yuǎn)遠(yuǎn)超過了人類CHiME-6“史上最難的語音識(shí)別任務(wù)”科大訊飛多場景語音識(shí)別大賽上奪冠。4.2.4深度學(xué)習(xí)應(yīng)用場景CHiME-6被稱為“史上最難的語音識(shí)別任務(wù)”4深度學(xué)習(xí)可以應(yīng)用到醫(yī)療臨床檢測與診斷各個(gè)環(huán)節(jié)中4.2.4深度學(xué)習(xí)應(yīng)用場景CHiME-6被稱為“史上最難的語音識(shí)別任務(wù)”4深度學(xué)習(xí)加速推進(jìn)智慧城市建設(shè)4.2.4深度學(xué)習(xí)應(yīng)用場景Part03卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)通過卷積、激活、池化等操作層層遞進(jìn)地處理圖像數(shù)據(jù)，最終通過全連接層輸出結(jié)果。這種結(jié)構(gòu)使得CNN在計(jì)算機(jī)視覺等領(lǐng)域表現(xiàn)出色，成為深度學(xué)習(xí)的重要工具。4.3.1深度學(xué)習(xí)經(jīng)典網(wǎng)絡(luò)-卷積神經(jīng)網(wǎng)絡(luò)卷積層是完成圖像特征提取池化層是圖像降維（32*32像素

降維到5*5）全連接層是圖像分類將圖片8放入輸入層經(jīng)過Layer1卷積層提取圖片特征經(jīng)過Layer1池化層圖片降維14*14經(jīng)過Layer2卷積層提取圖片特征經(jīng)過Layer2池化層圖片降維5*5經(jīng)過全連接神經(jīng)網(wǎng)絡(luò)層完成圖片分類，最終輸出預(yù)測值y‘。卷積神經(jīng)網(wǎng)絡(luò)通過卷積、激活、池化等操作層層