深度学习在数据挖掘中应用及相关介绍.docVIP

深度学习在数据挖掘中应用及相关介绍 　　摘 要 　　当今，由于互联网频繁的使用，海量的数据的产生，人们已然进入了大数据时代。在人们日常生活中产生了大量的数据，由于这些数据涉及信息量巨大、内容越来越复杂，导致对数据的分析和使用过程中所需考虑的问题越来越多。随着问题的加深深度学习在数据挖掘上的应用应运而生。本文对深度学习和数据挖掘进行一定的介绍和了解，以此分析总结深度学习在数据挖掘上的应用。 　　【关键词】数据挖掘 神经网络 深度学习 人工智能 　　1 引言 　　在大数据时代，我们已经离不开对数据进行分析与处理。大数据正在成为生活中的一部分：用大数据预测疾病，用大数据预测奖项，用大数据支撑智能交通，用大数据助力企业商业决策，用大数据分析客户心理。随着人们对数据结果的要求日益增加，人们提出了诸如分类、聚类、结合神经网络等更加可靠的方案。然而大量的数据中存在有用和无用的数据，如何从繁琐的大数据中取其精华去其糟粕成为当前挖掘数据中亟须解决的问题。为了这一需求人们对在数据处理中应用深度学习进行研究与技术推进，以此来适应在大数据时代下各领域对数据的应用。 　　2 数据挖掘 　　从海量的数据库中挖掘信息的过程挖掘就称之为数据挖掘（Data Mining）。换句话说，在数据库中的海量数据里找出隐含的、之前未知的有研究价值的信息的这一非平凡过程就是所谓数据挖掘。 　　数据挖掘是一项探测大量数据的业务流程，而且以发现有意义的模式（pattern）和规则（rule）为目的的。数据挖掘是基于机器学习、人工智能、模式识别等的一种决策支持过程，来智能分析企业数据，做出归纳性预测，帮助决策者根据已挖掘出的潜在的模式决策出正确的方案。 　　数据挖掘是要构造一个分类函数或模型（常称作分类器），该函数是根据事物属性、特点加以划分，而且该函数或模型能把数据库中的数据项映射到一个指定的分类类别，即分类功能；把整个数据库划分成不同的群组，并且规定同一群组内数据尽量接近相同、不同的组群差别显著，此为数据的聚类；关联分析就是采用关联规则和序列模式技术发现数据库各值的相关性；数据的预测顾名思义，把握数据规律，做出合理推测；偏差的检测是对少数的极端数据进行分析，表明其内在原因。 　　3 深度学习 　　研究人员对神经网络的不断研究，以此引出了深度学习（deep learning），可以说深度学习是神经网络的延伸。深度学习常常被误会为一种机器学习模型，而实际上它是一个框架、一种思路。 　　经研究表明，为能够学习表达高阶抽象的复杂函数，解决模式识别、数据分类、聚类和语言理解等相关的人工智能任务，需要融合深度学习。对于一些机器学习算法，会提到特征提取与选择，深度学习所解决的问题是在像文本分类，图片识别等过程中可以提取到让计算机明白的特征，最理想的情况就是把人类理解的特征复制到计算机上。 　　相对浅结构神经网络其优势为可以较好的实现高维复杂函数的表示；一个很重要的原因引用深度学习是它的高精确度；不需要手动提取特征，自动提取特征；其采用分层进行处理数据，神经网络每一层可以提取出输入数据不同水平的特征。 　　4 深度学习在数据挖掘中的应用 　　人工智能是通过一定的算法使计算机认知、认识世界，制造出与人类智能相似的方式做出反应的机器。研究人员模仿人类来制定特定的推理和认知，以此形成最初的人工智能。目前深度学习被人们所重视起来，许多公司企业着手研究深度学习。 　　近年来，深度学习尝试解决抽象认知的问题，而且取得巨大的突破。深度学习将人工智能带上一个新台阶，不仅在学术上产生巨大的影响，而且在实用性上取得进展。在数据挖掘方面取得一定的研究进展，语音识别方面，深度学习采用深度模型去替换声学模型中混合高斯模型，获得30%左右错误率降低；图像识别方面，通过构造深卷积神经网络，将原有26%的错误率降低到15%，又进一步加大加深网络的结构，错误率降至11%；在自然语言处理方面，在所得结果相当的条件下与其他方法相比，如果采用深度学习框架，能免去繁琐的提取特征的步骤。可以说，深度学习是特别接近人的大脑的智能学习方法，在一定程度上在挖掘数据的过程中非常适用。 　　在视觉问题上，深度学习带来了巨大影响。其中几个成果： 　　（1）人脸识别――LFW数据库上的结果，起初90%左右的正确率，到现在99.5%以上。人脸相关的应用受此影响，也越来越多。 　　（2）通用物体检测――ImageNet上的检测任务结果，MAP最早的0.3左右，提高到0.66，而且还有提高空间。 　　（3）图像分割――现在深度学习已经可以做到输入的是一张图片，输出就是逐个像素分割后的结果，中间也不需要任何预处理，并且精度远超非深度学习的结果。 　　5 结语 　　目前，采用深度学习对数据进行挖掘是比较热门的方