机器学习4人工神经网络.pdfVIP

机器学习 第4章 人工神经网络（ANN） 2003.12.18 机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏 1 概述 • 人工神经网络提供了一种普遍且实用的方法从 样例中学习值为实数、离散值或向量的函数 • 反向传播算法，使用梯度下降来调节网络参数 以最佳拟合由输入-输出对组成的训练集合 • 人工神经网络对于训练数据中的错误健壮性很 好 • 人工神经网络已被成功应用到很多领域，例如 视觉场景分析，语音识别，机器人控制 2003.12.18 机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏 2 简介 • 神经网络学习对于逼近实数值、离散值或向量 值的目标函数提供了一种健壮性很强的方法 • 对于某些类型的问题，如学习解释复杂的现实 世界中的传感器数据，人工神经网络是目前知 道的最有效的学习方法 • 反向传播算法 • 成功例子，学习识别手写字符，学习识别口语， 学习识别人脸 2003.12.18 机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏 3 生物学动机 • ANN受到生物学的启发，生物的学习系统是由相互连接的神经元 组成的异常复杂的网络。 • ANN由一系列简单的单元相互密集连接构成的，其中每一个单元 有一定数量的实值输入，并产生单一的实数值输出 11 4 • 人脑的构成，大约有10 个神经元，平均每一个与其他10 个相连 • 神经元的活性通常被通向其他神经元的连接激活或抑制 • 最快的神经元转换时间比计算机慢很多，然而人脑能够以惊人的 速度做出复杂度惊人的决策 • 很多人推测，生物神经系统的信息处理能力一定得益于对分布在 大量神经元上的信息表示的高度并行处理 2003.12.18 机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏 4 生物学动机（2） • ANN系统的一个动机就是获得这种基于分布表 示的高度并行算法 • ANN并未模拟生物神经系统中的很多复杂特征 • ANN的研究分为两个团体 – 使用ANN研究和模拟生物学习过程 – 获得高效的机器学习算法，不管这种算法是否反映 了生物过程 • 本书属于后一个研究团体 2003.12.18 机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏 5 神经网络表示 • ALVINN系统 – Pomerleau 1993 – 使用一个学习到的ANN以正常的速度在高速公路上驾驶汽车 – ANN的输入是一个30x32像素的网格，输出是车辆行进的方向 – 每个节点对应一个网络单元的输出，而从下方进入节点的实 线为其输入 – 隐藏单元，输出仅在网络内部，不是整个网络输出的一部分 – 每个输出单元对应一个特定的驾驶方向，这些单元的输出决 定哪一个方向是被最强烈推荐的 2003.12.18 机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏 6 神经网络表示（2） • ALVINN是很多ANN的典型结构，所有单元分 层互连形成一个有向无环图 • 通常，ANN图结构可以有很多种类型 – 无环或有环 – 有向或无向 • 本章讨论