深度置信网络BDN.pptx

PPT模板下载：/moban/ ;;;浅层学习是机器学习的第一次浪潮 人工神经网络（BP算法） —虽被称作多层感知机，但实际是种只含有一层隐层节点的浅层模型 SVM、Boosting、最大熵方法（如LR，Logistic Regression） —带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）的浅层模型 局限性：有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受限。 ;2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton在《科学》上发表论文提出深度学习主要观点： 1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类； 2）深度神经网络在训练上的难度，可以通过“逐层初始化”（layer-wise pre-training）来有效克服，逐层初始化可通过无监督学习实现的。 ;深度学习：深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示 深度神经网络：含有多个隐层的神经网络;深度学习：一种基于无监督特征学习和特征层次结构的学习方法 可能的的名称： 深度学习 特征学习 无监督特征学习 ;深度学习的优势： 能以更加紧凑简洁的方式来表达比浅层网络大得多的函数集合 训练深度学习的困难： （1）数据获取问题 考虑到深度网络具有