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（DataMining）。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

（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法，因为能自动对数据进行快速处理，而且准确度较高，但毕竟深度学习还是一门不成熟的框架，同样存在着一些问题。诸如，局部最优问题；内存消耗大，计算复杂；人脑机理许多没应用上；认为设计模板可行性；代价函数设计；整个网络的设计等。这些问题需要在将来的研究中解决，以便更加完善深度学习，适应大数据时代。

参考文献

[1]JiweiHan，等.数据挖掘概念与技术[M].北京：机械工业出版社，2012（07）：9-23.

[2]SimonHaykin（加），等.神经网络与机器学习[M].北京：机械工业出版社，2011（01）：1-25.

[3]谷俊丽：基于大数据的深度学习.http：///s/blog_4cc6846d0102v20n.html，2014.

作者简介

曲宏锋（1989-），男，辽宁省大连市人。现为广西师范学院2014级硕士研究生。研究方向为计算机应用技术。

作者单位

广西师范学院广西壮族自治区南宁市530012