数据挖掘技术与应用案例教程项目7人工神经网络与深度学习.pptxVIP

数据挖掘技术与应用案例教程

数据挖掘基础数据探索与预处理分类回归分析聚类关联规则挖掘人工神经网络与深度学习综合案例——北京二手房数据挖掘

项目七人工神经网络与深度学习

项目导读随着人工智能的飞速发展，人工神经网络与深度学习已成为数据挖掘领域的核心力量。这些技术通过模仿人脑的神经元连接方式，实现了对复杂数据的高效处理与分析，为数据挖掘领域带来了前所未有的机遇。本项目就来学习人工神经网络与深度学习的相关知识，以及构建感知器模型和卷积神经网络模型的方法。

知识目标熟悉人工神经网络的基本概念。熟悉感知器的概念。理解感知器学习算法的基本步骤，并掌握其实现方法。熟悉深度学习的概念、应用领域和经典模型。理解卷积神经网络各层的作用，并掌握卷积神经网络的实现方法。项目目标技能目标能够使用感知器和卷积神经网络对目标数据进行分类。素养目标持续关注科技前沿新技术，不断开阔视野，抓住机遇，展现新作为。勇于接受学习中的挑战，并在面对困难时保持积极态度。

全班学生以3～5人为一组进行分组，各组选出组长。组长组织组员扫码观看“人工神经网络的应用领域”和“深度学习的发展历程”视频，讨论并回答下列问题。项目准备深度学习的发展历程人工神经网络的应用领域问题1：简述人工神经网络的应用领域。问题2：深度学习和人工神经网络的关系是什么？

项目导航7.1人工神经网络7.2深度学习

7.1人工神经网络

7.1.1人工神经网络的基本概念 人工神经网络（artificialneuralnetwork,ANN），简称神经网络（neuralnetwork,NN），它从信息处理角度模仿生物神经网络的结构和功能，进而构建数学模型或计算模型。互相连接形成了生物神经网络生物神经元基本组成单元生物神经网络互相连接形成了人工神经网络人工神经元基本组成单元人工神经网络

7.1.1人工神经网络的基本概念 1．生物神经元 生物神经元细胞体树突轴突生物神经元结构树突细胞核细胞体轴突突触

树突细胞核细胞体轴突突触7.1.1人工神经网络的基本概念 1．生物神经元 神经元之间通过树突和轴突末端（突触）进行连接，从而实现信号的传递与交流。神经元的输入，能够接收来自其他神经元的刺激并将其传递至细胞体；神经元的输出，可以将细胞体的兴奋状态传递至其他神经元。生物神经元的核心，由细胞核、细胞质和细胞膜组成，主要功能是处理输入信号并产生输出信号；

7.1.1人工神经网络的基本概念 1．生物神经元 当神经元处于抑制状态时，其轴突不传递任何信号。当树突接收到的刺激总和超过特定阈值时，神经元便会从抑制状态切换到兴奋状态，并通过轴突向其他神经元发送信号。生物神经元基本状态抑制兴奋人们基于对生物神经网络的理解，提出了人工神经元模型。

7.1.1人工神经网络的基本概念 2．M-P神经元模型 核心思想：模拟生物神经元的抑制和兴奋两种基本状态。在该模型中，每个人工神经元可以接收多个输入数据（xi），每个输入数据都对应一个权重（wi），反映了该数据对神经元刺激程度的大小。M-P神经元模型所有输入数据的加权和（Σ）与产生神经兴奋的阈值（θ）相减，得到中间值z，然后通过激活函数f(z)（阶跃函数）输出神经元状态；若z≥0，则神经元输出为1，表示兴奋状态；若z＜0，则神经元输出为0，表示抑制状态。人类历史上第一个人工神经元模型，如图所示。

7.1.1人工神经网络的基本概念 2．M-P神经元模型 M-P神经元模型的输出可用如下公式表示。（7-1）尽管M-P神经元模型具有局限性，如权重wi无法自动学习和更新，但M-P模型依然对人工神经网络的发展起到了推动作用。

7.1.1人工神经网络的基本概念 3．激活函数 在实际应用中，很多问题是非线性问题，引入激活函数可以使人工神经网络学习和拟合各种复杂的非线性模型，大大提升了人工神经网络的表达能力。常用的激活函数阶跃函数Sigmoid函数ReLU函数Softmax函数

7.1.1人工神经网络的基本概念 3．激活函数 M-P神经元模型通常使用阶跃函数作为激活函数，该函数以阈值为界，一旦输入高于阈值，就激活输出，其数学表达式如下。（7-2）将任意数值映射到[0,1]区间，以表示数据属于某一类别的概率，其数学表达式如下。（7-3）Sigmoid函数常用于二分类，其函数图形如图所示。（1）阶跃函数（2）Sigmoid函数

目前应用较为广泛的激活函数，其数学表达式如下。（7-4）7.1.1人工神经网络的基本概念 3．激活函数 当使用ReLU函数时，若输入为正数，则输出等于输入；若输入为负数或零，则输出为零。其函数图形如图所示。（3）ReLU函数

主要用于多分类，其数学表达式如下。（7-5）7.1.1人工神经网络的基本概念 3．激活函数 （4）Softmax函数第i个神经元的输出为输出神经