《人工神經(jīng)網(wǎng)絡Presentationppt課件》由會員分享，可在線閱讀，更多相關《人工神經(jīng)網(wǎng)絡Presentationppt課件（27頁珍藏版）》請在裝配圖網(wǎng)上搜索。

,,系統(tǒng)工程Presentation,人工神經(jīng)網(wǎng)絡,技術已成為生命的第七種存在方式,Technology has become the seventh way of existence of life,1,歷史發(fā)展,代表人物,理論內容,,,,,,,,,簡介,2,,年度工作概述,此處添加詳細文本描述，建議與標題相關并符合整體語言風格，語言描述盡量簡潔生動。盡量將每頁幻燈片的字數(shù)控制在200字以內，據(jù)統(tǒng)計每頁幻燈片的最好控制在5分鐘之內。 此處添加詳細文本描述，建議與標題相關并符合整體語言風格,3,倫敦當?shù)貢r間10月18日18：00（北京時間19日01：00），谷歌旗下的DeepMind團隊公布了進化后的最強版AlphaGo，代號AlphaGo Zero。 AlphaGo Zero的系統(tǒng)從一個對圍棋一無所知的神經(jīng)網(wǎng)絡開始，將該神經(jīng)網(wǎng)絡和一個強力搜索算法結合，自我對弈。在對弈過程中，神經(jīng)網(wǎng)絡不斷調整、升級，預測每一步落子和最終的勝利者,計算機信息處理能力高于人類，但識別能力比人類相去甚遠 計算機——依靠模型運算 人腦——并行處理信息,機器會思考嗎？,4,由大量簡單的基本元件——神經(jīng)元相互連接，通過模擬人的大腦神經(jīng)處理信息的方式，進行信息并行處理和非線性轉換的復雜網(wǎng)絡系統(tǒng)。,人工神經(jīng)網(wǎng)絡 （Artificial Neutral Networks）,5,工作完成情況,此處添加詳細文本描述，建議與標題相關并符合整體語言風格，語言描述盡量簡潔生動。盡量將每頁幻燈片的字數(shù)控制在200字以內，據(jù)統(tǒng)計每頁幻燈片的最好控制在5分鐘之內。 此處添加詳細文本描述，建議與標題相關并符合整體語言風格,6,,,,歷史發(fā)展,提出 “機器思維”的方法,,,,,提出自適應線性元件,《感知機》使神經(jīng)網(wǎng)絡走向低谷,確定人工智能的概念,,,,,,,人工神經(jīng)網(wǎng)絡的構造和學習有了理論指導，神經(jīng)網(wǎng)絡開始復興,Rumelhart和McClelland發(fā)展了BP算法,2006,1955,2009,1969,2014,1986,,,1949 （1947）,,,1959,,,,1984,,7,,,,歷史發(fā)展,,,,,Deep Learning發(fā)表，深度學習真正被學學術界接受,吳恩達和谷歌科學家合作，模擬人腦神經(jīng)網(wǎng)絡，自主學習到“貓”,,,,,,,AlphaGo打敗李世石，人工智能成為熱門話題,2006,2012,2009,2015,2014,2016,1949,,1984,,8,工作完成情況,此處添加詳細文本描述，建議與標題相關并符合整體語言風格，語言描述盡量簡潔生動。盡量將每頁幻燈片的字數(shù)控制在200字以內，據(jù)統(tǒng)計每頁幻燈片的最好控制在5分鐘之內。 此處添加詳細文本描述，建議與標題相關并符合整體語言風格,9,代表人物,艾倫·麥席森·圖靈 Alan Mathisn Turing 英國數(shù)學家、邏輯學家，被稱為計算機科學之父，人工智能之父。,約翰·霍普菲爾德 John Hopfueld 提出了霍普菲爾德神經(jīng)網(wǎng)絡,使神經(jīng)網(wǎng)絡的平衡穩(wěn)定狀態(tài)有了明確的判斷方法,杰弗里?辛頓 Geoffrey Hinton 谷歌工程研究員，多倫多大學計算機科學系教授，反向傳播算法和對比散度算法的發(fā)明人之一,揚·勒丘恩 Yann LeCun 師從杰弗里·辛頓，AT&T貝爾實驗室成員，第一個把BP算法運用在卷積神經(jīng)網(wǎng)絡上的人,吳恩達 Andrew Ng 斯坦福大學計算機科學系和電子工程系副教授，人工智能實驗室主任。人工智能和機器學習領域最權威的學者之一。,戴密斯·哈薩比斯 Demis Hassabis DeepMind創(chuàng)始人。人工智能程序AlphaGo的開發(fā)者，神經(jīng)學家和人工智能企業(yè)家,10,工作完成情況,此處添加詳細文本描述，建議與標題相關并符合整體語言風格，語言描述盡量簡潔生動。盡量將每頁幻燈片的字數(shù)控制在200字以內，據(jù)統(tǒng)計每頁幻燈片的最好控制在5分鐘之內。 此處添加詳細文本描述，建議與標題相關并符合整體語言風格,11,研究機器模擬人類的學習活動，獲取知識和技能的理論和方法，以改善系統(tǒng)性能的學科。,機器學習 （Machine Learning）,12,機器學習,學習方法： 統(tǒng)計學習 決策樹 遷移學習 增量學習 ……,If (color is deep red apple is sweet. If (flexible): apple is juicy. etc.,買蘋果： 標準1：蘋果=熟了,甜 標準2：個大+紅色的蘋果=甜 標準3 標準4 …,13,大腦的智慧是一種非線性現(xiàn)象； 人工神經(jīng)元處于激活或抑制兩種不同狀態(tài)，在數(shù)學上表現(xiàn)為非線性關系； 具有閾值的神經(jīng)元所構成的網(wǎng)絡具有較好的容錯性、存儲能力,非線性,一個神經(jīng)網(wǎng)絡由多個神經(jīng)元廣泛連接而成 系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，同時由單元間的相互連接、相互作用決定,非局限性,人工神經(jīng)網(wǎng)絡具有自適應、自組織、自學習能力 系統(tǒng)處理的信息可以有各種變化，系統(tǒng)本身也在不斷變化,非常定性,系統(tǒng)的演化方向，在一定條件下取決于某個特定的狀態(tài)函數(shù)，其極值對應系統(tǒng)比價比較穩(wěn)定的狀態(tài) 人工神經(jīng)網(wǎng)絡匯總這種函數(shù)具有多個極值，系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，系統(tǒng)演化存在多樣性,非凸性,14,構造神經(jīng)元,人工神經(jīng)網(wǎng)絡的基本單位：人工神經(jīng)元,15,構造神經(jīng)元,,構造神經(jīng)元,,s= ?? 1 ?? 1 + ?? 2 ?? 2 + ?? 3 ?? 3 +??+ ?? ?? ?? ??,,a=0,n≤0 a=1,n0,s= ?? 1 ?? 1 + ?? 2 ?? 2 + ?? 3 ?? 3 +??+ ?? ?? ?? ?? +??×1,16,,,,,,傳遞函數(shù),神經(jīng)元：多個輸入、單輸出的非線性器件,,17,,,此處添加詳細文本描述，建議與標題相關并符合整體語言風格，語言描述盡量,1（紅色）,1（圓形）,-1（黃色）,-1（彎型）,,感知機學習,18,,,感知機學習,顏色和形狀對神經(jīng)元來說都是外界的一個刺激，在這里有： ?? 1 顏色 =1 or ?1 ?? 2 形狀 =1 or ?1 預設： ?? 1 = ?? 2 =1 b=0,對蘋果的判定： ??=1×1+1×1+0=2 對香蕉的判定： ??=?1×1+ ?1 ×1+0=?2,step(2)=1 step(-2)=0,19,,,感知機學習,感知機學習規(guī)則——修改神經(jīng)網(wǎng)絡的權值和偏置 w new =w old +ep b new =b old +e,設 ?? 1 =1， ?? 2 =?1，??=0， 蘋果的形狀和顏色均輸入屬性1： s= ?? 1 ?? 1 + ?? 2 ?? 2 +?? =1?1+0 =0 套用step函數(shù)：f=0,計算誤差：e=t-z=1-0=1 帶入學習規(guī)則： w 1 ??????= w 1 ??????+ep=1+1×1=2 w 2 ??????= w 2 ??????+ep=?1+1×1=0 b??????=b??????+e=0+1=1,重新計算屬性輸入： net= ?? 1 ?? 1 + ?? 2 ?? 2 +??=1×2+1×0+1=3 套用step函數(shù)： f(step)=1,20,信號源：外界刺激 上一神經(jīng)元輸出信號,輸出：神經(jīng)元輸出結果 下一神經(jīng)元的信號源,構造神經(jīng)網(wǎng)絡,單層神經(jīng)網(wǎng)絡,21,AND運算：,線性不可分運算：,構造神經(jīng)網(wǎng)絡,分類邏輯運算：,0 and 0=0 →香蕉,1 and 1=1 →蘋果,0 and 1=0 →香蕉?,1 and 0=0 →香蕉?,22,可見層：輸入節(jié)點 輸出節(jié)點,隱層：中間層 （第一隱層、第二隱層。。。）,構造神經(jīng)網(wǎng)絡,,,,每一隱層都是一個單層神經(jīng)網(wǎng)絡 上一層輸出只能是下一層輸入，不可跨層鏈接,多層神經(jīng)網(wǎng)絡（前饋神經(jīng)網(wǎng)絡）,23,前向網(wǎng)絡：每一層神經(jīng)元只接受來自前一層神經(jīng)元的輸入，后面的層對前面的層沒有信號反饋。,構造神經(jīng)網(wǎng)絡,有反饋的前向網(wǎng)絡：輸出層對輸入層有信息反饋,層內有相互結合的前向網(wǎng)絡：通過層內神經(jīng)元的相互結合，實現(xiàn)同層神經(jīng)元之間的橫向抑制或興奮機制,相互結合型網(wǎng)絡（全互連或部分互連）：在任意兩個神經(jīng)元之間都有可能有連接（僅限于同層或前向）,24,,神經(jīng)網(wǎng)絡的學習（訓練）方式,監(jiān)督學習（Supervised Learning，SL）：,25,,神經(jīng)網(wǎng)絡的學習（訓練）方式,無監(jiān)督學習（Nonsupervised Learning，NSL）：,26,,輸入你的文本內容輸入你的文本內容,2015年年終總結計劃,THANKS,27,