高教社课件模式识别与数据挖掘教材PPT-第6章-深度分类器.pptxVIP

第六章深度分类器;目;引言;浅层分类器

尽管结构简洁且具备良好的可解释性，但算法的表达能力与整体性能在很大程度上取决于特征工程的质量。此外，浅层分类器在处理高维数据(例如图像、文本、语音)、复杂模式以及大规模数据时存在明显的局限性。

深度分类器

自动从原始数据中提取多层次的特征,从而摆脱对手工设计特征的依赖。这一特性显著提升了模型在分类任务中的灵活性与泛化能力,使其在处理复杂、非线性问题时表现更为优越。;深度自编码网络

通过编码器-解码器结构无监督学习数据低维表征，重构损失驱动特征压缩，为分类器提供去噪且判别性强的潜在特征空间。

深度卷积神经网络

依托局部感受野、权值共享与池化操作逐层提取空间层次化特征，高效捕获图像局部模式与全局结构，奠定视觉分类的性能基石。

深度循环神经网络

借助循环连接与隐藏状态传递建模序列时序依赖，使分类器能够捕捉文本或信号中的上下文动态演化规律，适用于时序数据判别。

Transformer网络

基于自注意力机制并行建模序列元素间全局依赖关系，摒弃循环结构实现高效长程交互，显著提升跨模态与序列分类任务的表达能力。

;深度自编码网络;深度自编码网络(autoencodernetwork，AE)

由鲁梅尔哈特(Rumelhart)于1986年提出,该网络在输入端与输出端尽可能保持一致的情形下,利用隐藏层对输入数据进行特征提取与参数学习,