关于人工智能的深度学习算法

2019.07

在人工智能技术逐步深入各领域应用环节的过程中,对于人工智能设备在视觉语音识别、自然语言处理、统计分析、数据挖掘、模式识别等功能实现方面的算法研究是人工智能技术研究的基本内容,也是深化人工智能在各领域运用的有效方式。而在当前多元主体参与的人工智能技术开发与应用中,人工智能深度学习算法也呈现出了多样化的趋势,即越来越多差异化明显的学习算法开始在人工智能领域得以尝试和应用,并且取得了良好的效果。事实上,人工智能深度学习算法是以人工智能功能需求为导向的算法开发与应用过程,鉴于此,对于深度学习算法的研究应当从具体的应用方面入手。

1人工智能的深度学习算法分类

人工智能的深度学习算法有很多种类型,并且一些

算法还可以再次延伸出新的算法。因此,对深度学习算法的把握宜从主要的算法入手。就目前人工智能的发展而言,较为常用的深度学习算法主要有以下几类。1.1监督式学习

监督式学习是由一组人工标记的数据推测出假设函

数的人工智能深度学习算法。在该学习方式中,大量训练样本构成样本集,每个训练样本包含输入值和期望输出值。监督式学习功能的实现主要在于通过深度学习算法构建一个模型,然后将模型产生的预测结果与最终数据处理的结果进行对比,根据两者的偏差对模型进行不断的优化调整,以提升模型预测结果的准确性。

图1是以针对房屋居住面积及其价格的人工智能深度学习算法应用流程。在该应用中,训练集通过学习算法的训练,求出一个关于房屋面积对价格的函数。当有

新的数据需要预测时,就给出的房屋面积代入假设模型之中,就可以给出相应的价格预测值。一般而言,监督式学习的算法经常应用在分类问题和回归问题之间。

1.2非监督式学习

非监督式学习是人工智能网络中不需要人工输入标

签的算法。非监督式学习的主要目的在于对原始的数据资料进行科学、标准分类,以便对数据资料的内部结构进行更清晰的把握。在非监督式学习中,数据的分类结果并不明确,换而言之,数据分类的结果是否正确无从得知。在人工智能发展中,非监督式学习主要适用于关联规则的学习以及聚类等。1.3半监督式学习

半监督式学习是介于监督式学习和非监督式学习之

间的一种深度学习算法。半监督式学习模型主要用来预测数据的类型,并且模型涉及的数据也比较多样化,既有被标识的数据,也有没有标识的数据。但要想达到预测的目标,就需要先学习和掌握学习数据的内在结构,作者简介：周晋(1981-),男,本科,工程师,研究方向:计算机科学与技术。收稿日期：2019-04-17

关于人工智能的深度学习算法

周晋

（天津市房地产市场管理服务中心，天津300000）

摘

要:随着人工智能产品和服务开发的不断深入，关于人工智能深度学习算法的研究与应用逐渐成为

人工智能发展中的基础性工作。从本质上讲，人工智能深度学习算法实际上是人工智能机器学习算法，即智能机器人通过相应的算法将搜集到的各种源数据进行处理，并按照最终输出指令做出相关的行为动作。据此可以看出，算法是影响人工智能效果的关键因素。在概括介绍几种常见的人工智能深度学习算法的基础上，就人工智能的深度学习算法应用进行分析，以深化人工智能深度学习算法的了解和研究。关键词:人工智能；深度学习算法；应用

图1监督式学习的流程

设置训练集

学习算法

房屋面积函数

预测房价

115

2019.07

然后合理地组织数据进行预测。半监督式学习主要应用于分类和回归,算法主要是对一些常用监督式学习算法进行的延伸,并且这些算法会先对未标识的数据进行建模,然后在此基础上对标识的数据进行预测。1.4强化学习

强化学习是另外一种被广泛应用的深度学习算法。

在该模式下,输入的数据是对模型的一种反馈。与监督式学习不同的是,强化学习模型仅仅是对模型的正确性进行检查。在运行过程中,输入数据会直接反馈到模型,模型则必须对此数据立刻做出调整。强化学习常用语动态系统和机器人控制中。

2人工智能的深度学习算法

对于人工智能学习模式来说,深度学习算法是实现

学习目标的关键途径,也是人工智能技术应用的核心。就目前人工智能深度学习方式的应用来看,主要的深度学习算法有以下几方面。2.1回归算法

回归算法是人工智能深度学习中应用较普遍的算法

类型之一,其主要反映了数据在属性方面呈现出来的显著性特点,并通过函数表达式来对各种属性之间的关系进行体现。就目前人工智能的发展现状来看,回归算法在统计类机器学习中的应用比较多,经常被用于数据序列的预测以及数据之间函数关系的研究方面,例如目前市场营销活动中对特定时间段的销售情况做回归分析可以对下一阶段的销售情况作出预测,从而使接下的销售策略得以提前调整。2.2基于实例的算法

基于实例的算法主要用于决策模型的建立和修正。

在模型构建过程中,首先会选取一批样本数据,根据数据的一些近似性特点将新数据与样本数据进行比较,从而得出效度比较高的决策模型,进而找到最佳的匹配。常见的基于实例的算法主要包括k-Nearest Neighbor、学习矢量量化以及自组织映射算法等。2.3正则化方法

正则化方法是回归算法的延伸,其应用的原理在于

通过算法中数据的复杂程度来对相应的算法进行调整,使算法更好地适应模型构建和应用的需要。正则化方法应用的的主要情境是那些数据过拟合而导致函数无法满足训练集,导致最终产生的结果出现的误差偏大。目前常用的正则化算法包括:Ridge Regression、弹性网络等。

2.4基于核的算法

基于核的算法是强化学习中的一种算法,主要通过

将所输入的数据映射到一个高阶向量空间,然后对其进行部分分类、回归分析。这种通过对函数进行泛化处理,以离线方式计算出函数的方法能够直接处理那些呈现出连续状态空间的强化学习问题,从而实现科学的统计处理价值。目前常见的基于核的算法包括:支持向量机、径向基函数,以及线性判别分析等。2.5聚类算法

聚类算法是以聚类处理为核心的深度学习算法,而

聚类是研究数据间逻辑或物理方面相互关系的技术内容,其处理的结果不仅可以揭示数据间的内在联系和区别,同时还可以为数据的进一步分析与规律掌握提供依据。聚类算法通常是按照中心点或者对数据进行分层的方式对输入的数据进行归并,并通过找到数据的内在结构来对数据进行最大程度的归类。常见的聚类算法包括k-Means 算法以及期望最大化算法。2.6关联规则学习

关联规则学习是为了提高决策的准确性,通过数据

分析来掌握数据之间的内在关联性,从而确定各变量之间的关系,把握数据背后所蕴藏的规则的一种深度学习算法。人工智能中涉及的关联规则主要包括频繁项集和关联规则两项内容,其中频繁项集指经常出现在一起的物品组合,关联规则则是对两种物品之间存在很强的关系表述。常见的算法包括Apriori 算法和Eclat 算法等。2.7降低维度算法

同聚类算法相似,降低维度算法也是试图通过算法

来获得数据的内在结构。但与聚类算法不同的是,降低维度算法是采用非监督学习的方式,尝试通过尽可能少的信息来获得数据的可靠信息。目前降低维度算法主要用于对高维数据的可视化分析,或者用来简化数据。常见的算法包括:主成份分析、偏最小二乘回归、Sam⁃mon 映射、多维尺度、投影追踪等。2.8集成算法

集成算法是指对多个模型进行组合处理,从而赋予

集成后的模型更强的泛化能力,获得更好的数据处理效果。在实际的模型组合中,要根据不同的情况进行相应的组合方式选择,一般会通过3种方法进行模型的组合:

(1)找到验证数据中表现最好的模型,将其作为

116