智能制造技术基础 课件 5.2大数据智能

智能制造技术郑重说明课件制作不易，请尊重本课件制作者的知识产权，本课件仅限教学使用，不得发布到网上，不能拿来参加教学比赛、申报教学成果等！大数据智能发展概述大数据智能是指通过人工智能手段对大数据进行深入分析,以探究其中隐含的模式和规律的智能形式。大数据智能是从大数据中提取知识,进而从大数据中得到决策的理论方法和支撑技术。大数据智能是行业大数据与人工智能技术相融合的产物。

人工智能2.0时代的突出特点就是能够从大数据出发,提供从文本、图像和视频等数据中学习规则、关系和知识的能力,洞悉海量数据中隐藏的规律和模式,助力决策者做出精准判断。大数据智能发展概述大数据智能发展概述目前,大数据智能技术仍然处于快速发展的阶段。我国在关键基础技术的研究中,与美国等技术强国仍有一定差距。大数据智能关键技术以深度学习为核心主线的算法技术，以迁移学习和强化学习为代表的新型学习方式，以生成式对抗网络为代表的新型功能技术。以深度学习为代表的前沿机器学习算法是大数据智能的核心技术。“一主两从”的技术脉络：大数据智能关键技术深度学习是机器学习的分支,是一种以人工神经网络为架构,对数据进行表征学习的算法,其通过人为构建一个复杂的多层计算网络,再结合尽可能多的训练数据和超强的计算能力,不断调节网络中的成百上千个参数,来尽可能逼近问题目标。1.深度学习关键技术大数据智能深度学习算法框架：深度神经网络、卷积神经网络、深度置信网络和循环神经网络等,它们已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。1.深度学习关键技术大数据智能1.深度学习深度学习通过组合底层特征形成更加抽象的高层表示属性或特征,从而发现数据的逐层特征表示,与其他机器学习方法最大的不同是具有“特征学习”能力,可以理解为“深度模型”是手段,“特征学习”是目的。大数据智能关键技术深度学习通过大量数据的训练,学习调整具有多个隐藏层的学习模型,获得原始数据的分层表示,从而学习到数据的有效特征表示,最终能够提升特征分类或属性预测的准确性。1.深度学习大数据智能深度学习与传统机器学习的区别:关键技术1.深度学习1)强调了人工神经网络模型结构的深度,与通常的浅层学习相比,深度学习使用更多隐藏层。2)突出特征学习的重要性,通过逐层特征变换,将数据在原始空间的特征表示变换到一个新特征空间,使特征分类或属性预测变得容易,并且使精确度得到提高。3)深度学习基于人工神经网络的发展,但是训练的方式与传统的人工神经网络不同。深度学习采用逐层训练的方式,然后再对网络参数进行微调。4)深度学习利用大量数据来学习特征,而浅层学习不需要如此。大数据智能在交通领域,基于大量交通数据开发的大数据智能应用可以实现对整体交通网络进行智能控制;在新零售领域,通过深度学习的大数据智能技术提升了人脸识别的准确率并实现了“刷脸支付”;在健康领域,通过大数据和深度学习结合,能够提供医疗影像分析、辅助诊疗、医疗机器人等更便捷、更智能的医疗服务。关键技术1.深度学习深度学习应用:深度学习技术在数据预测、图像识别、文档处理等领域取得显著进展。大数据智能关键技术2.迁移学习在迁移学习当中,通常将有知识和大量数据标注的领域称为源域,源域中的知识是要迁移的对象;而把最终要赋予知识和标注的对象称为目标域。迁移学习的核心目标就是将知识从源域迁移到目标域。迁移学习着重于将解决一个问题时获得的知识应用于另一个不同但相关的问题解决过程。010203迁移学习的三种方式大数据智能关键技术2.迁移学习1)样本迁移2)特征迁移3)模型迁移大数据智能关键技术2.迁移学习011)样本迁移在源域中找到与目标域相似的数据并赋予其更高的权重,从而完成从源域到目标域的迁移。优点：简单且容易实现,但是权重和相似度的选择往往高度依赖经验,会降低算法的可靠性。大数据智能关键技术2.迁移学习022)特征迁移核心思想：通过特征变换,将源域和目标域的特征映射到同一个特征空间中,然后用经典的机器学习算法来求解。优点：对大多数方法适用且效果较好,但对于实际问题的求解通常难度较大。大数据智能关键技术2.迁移学习033)模型迁移假设源域和目标域共享模型参数,将之前在源域中通过大量数据训练好的模型应用到目标域上。目前最主流的方法优点：可以很好地利用模型之间的相似度,具有广阔的应用前景。举例：①在千万量级样本集上训练图像分类系统后，可结合新领域几万张样本微调得高精度模型用于新任务。

②轿车识别知识可运用于卡车识别。大数据智能关键技术2.迁移学习基于实例的深度迁移学习、基于映射的深度迁移学习、基于网络的深度迁移学习和基于对抗的深度迁移学习。迁移学习的类型:不同的方法适用于不同特点的数据类型和问题。大数据智能关键技术2.迁移学习迁移学习可以充分利用既有模型的知识,使机器学习模型在面临新的任务时只需要进行少量的微调即可完成相应的任务。两个不同的领域共享的因素越多,迁移学习就越容易。大数据智能关键技术2.迁移学习应用：迁移学习已经在机器人控制、机器翻译、图像识别、人机交互等诸多领域获得了广泛应用。大数据智能关键技术3.强化学习强化学习强调如何基于环境而行动,以取得最大化的预期利益。强化学习的基本思想是通过试错与环境交互获得策略的改进,从而实现预期目标。强化学习与深度学习最大的不同就是前者不需要大量的“数据喂养”,而是通过自学习和在线学习达到学习目标。大数据智能关键技术3.强化学习应用：强化学习算法已经在游戏、机器人等领域开花结果。2016年3月DeepMind开发的AlphaGO程序利用强化学习算法以4∶1的结果击败世界围棋冠军李世石。大数据智能关键技术3.强化学习强化学习的目标就是研究在与环境的交互过程中,如何学习到一种行为策略以最大化所能得到的累积奖赏。简单来说,强化学习就是在训练的过程中不断地进行尝试,错了就扣分,对了就奖励,由此训练得到在各个状态环境当中最好的决策。大数据智能关键技术3.强化学习一是探索,也就是尝试不同的事情,看它们是否会获得比之前更好的回报;二是利用,也就是尝试过去经验当中最有效的行为。强化学习两种不同的策略:应用：日本发那科公司将强化学习应用到机械臂上,使其自主训练若干小时便能达到操作工人的抓取水平。在认知、神经科学领域,强化学习也有重要研究价值。大数据智能关键技术3.强化学习强化学习大都与深度学习结合共同发挥作用,目前已被广泛应用在自动控制、调度、网络通信等领域。AlphaGO

ZeroAlphaStar应用：大数据智能关键技术4.生成式对抗网络深度学习的模型可大致分为判别式模型和生成式模型。（1）对真实世界进行建模需要大量的先验知识,建模的好坏直接影响生成式模型的性能;（2）真实世界的数据往往非常复杂,拟合模型所需计算量往往非常庞大甚至难以承受。存在困难:Goodfellow等于2014年提出了一种新型生成式模型——生成式对抗网络。大数据智能关键技术4.生成式对抗网络通过使用对抗训练机制对两个神经网络进行训练,经随机梯度下降实现优化,既避免了反复应用马尔可夫链学习机制所带来的配分函数计算,也无需变分下限或近似推断,因而可以大大提高应用效率。大数据智能关键技术4.生成式对抗网络生成方法涉及对数据显式或隐式变量的分布假设和对分布参数的学习,基于学习得到的模型采样出新样本。生成式模型是通过上述生成方法学习得到的模型。大数据智能关键技术4.生成式对抗网络（GAN）GAN的框架中包含一对相互对抗的模型——判别器和生成器,判别器的用途是正确区分真实数据和生成数据,从而最大化判别准确率;生成器则尽可能逼近真实数据的潜在分布。基本思想：二元零和博弈

为了在博弈中胜出,二者需不断提高各自的判别能力和生成能力,优化的目标就是寻找二者间的纳什均衡。大数据智能关键技术4.生成式对抗网络生成式对抗网络常用于生成以假乱真的逼真图像、视频、数据、音乐等,还可用于图像分辨率的提升、缺失图像修复、图片风格迁移等,应用：例如,GA