深度学习

现在已经出现了相当多的文章涉及机器学习及其保护我们免遭网络攻击的能力。尽管如此,我们也要清楚的去将理想与现实分开,看看机器学习(ML),深度学习(DL)和人工智能(AI)算法到底可以在网络安全中做什么。

神经网络和深度学习之神经元和分类器

当今社会,计算机在我们的生活和工作中扮演着重要的角色,人类使用计算机帮助他们进行大量的计算,通过计算机让每个人相互通信等等。但时代的进步让我们对计算机的要求越来越高,人类希望它能够从事越来越复杂的工作。

基于深度学习的目标检测识别算法

目标检测与识别是指从一幅场景(图片)中找出目标,包括检测(where)和识别(what)两个过程。任务的难点在于待检测区域/候选的提取与识别,所以,任务的大框架为:
  •   首先建立从场景中提取候选区的模型
  •   然后识别候选区的分类模型
  •   最后精调分类模型的参数和有效候选框的位置精修

目标检测与识别在生活中多个领域中有着广泛的应用,它是将图像或者视频中的目标与不感兴趣的部分区分开,判断是否存在目标,若存在目标则确定目标的位置,识别目标是一种计算机视觉任务。目标检测与识别是计算机视觉领域中一个非常重要的研究方向,随着互联网,人工智能技术,智能硬件的迅猛发展,人类生活中存在着大量的图像和视频数据,这使得计算机视觉技术在人类生活中起到的作用越来越大,对计算机视觉的研究也越来月火热。目标检测与识别,作为计算机视觉领域的基石,也越来越受到重视。在实际生活中应用也越来越广泛,例如目标跟踪,视频监控,信息安全,自动驾驶,图像检索,医学图像分析,网络数据挖掘,无人机导航,遥感图像分析,国防系统等。

人工智能世界里的机器学习与深度学习

人工智能(Artificial Intelligence),英文缩写为AI。AI是一门让机器变得智能的科学研究,让机器像人类一样具备解决某些特定问题的能力。其实,AI可不是什么新事物,早在上世纪中叶就已经诞生了。1950年,一位名叫马文﹒明斯基的大四学生和同学一起建造了世界上第一台神经网络计算机,被看作是人工智能的起点。马文后来也被人称为“人工智能之父”,从那时到现在已经过了近70年。这些年AI技术一直不温不火,偶尔出现一些吸引人的技术,很快就消失殆尽了。直到最近,AI又重新回到人们的视线里,而且获得了几乎所有互联网大佬的青睐,将AI看作是未来技术发展的方向,并投入大量人力和资金去研究它。

AI之所以到现在才火爆起来是有原因的。早在70年前,计算机技术刚出现,计算能力和传感器技术都不发达,AI的理念虽然先进,却无实施的条件。众所周知,让机器具备学习的能力,要进行大量的学习计算,通过对已掌握的数据计算规律,从而知晓下一步该如何处理。甄别和计算数据的能力在70年前都不具备,所以AI技术的研究总是被搁浅。而现在则不同,云计算、虚拟化和大数据技术的出现,对数据的分析能力已经很强,再加上计算能力的提升,海量数据的计算数秒内就能完成,这给AI提供了良好的成长土壤,所以到了现在,AI不火都不行了。

深度学习的训练和调参

感慨一下,人工智能这个名字挺有意思,这段时间也不知咋回事,朋友圈里都是学人工智能的,什么python,tf.......还有很多大神在互联网上开讲,也是赚了一笔,如今看来,真是百花齐放,一派繁荣的景象啊,有好有坏,大多数也只是人工的智能,就好像今天要讲的训练和调参,千万不要以为随随便便就可以得到一个好的结果,如果你没有丰富的经验、大量的实验,等于空谈。当然你完全可以借鉴别人的经验,甚至是借用别人的成果,但是绝大多数实际的情形,我们只能是在借鉴的基础上做自己的工作。这篇博客是我之前写的,如今放在博客里,记录下来,勉励同志们共同学习。

博客中已经省略了公式,图表引用网上资源,在此表示感谢!

近年来,深度学习作为机器学习中比较火的一种方法出现在我们面前,但是和非深度学习的机器学习相比(我将深度学习归于机器学习的领域内),还存在着几点很大的不同,具体来说,有以下几点:

深度学习中常见概念

批量,即Batch,是深度学习中的一个重要概念。批量通常指两个不同的概念——如果对应的是模型训练方法,那么批量指的是将所有数据处理完以后一次性更新权重或者参数的估计;如果对应的是模型训练中的数据,那么批量通常指的是一次输入供模型计算用的数据量。

基于批量概念的模型训练通常按照如下步骤进行:

(1)初始化参数

(2)重复以下步骤
     • A.处理所有数据
     • B.更新参数

和批量算法相对应的是递增算法,其步骤如下:

(1)初始化参数

(2)重复以下步骤
     • A.处理一个或者一组数据点
     • B.更新参数。

深度学习与经典机器学习的优劣势一览!

在过去几年中,深度学习已成为大多数AI类型问题的首选技术,掩盖了经典的机器学习。其中明显的原因是深度学习已经在包括言语、自然语言、视觉和玩游戏在内的各种各样的任务中多次表现出优异的表现。然而,尽管深度学习具有如此高的性能,但使用经典的机器学习和一些特定的情况下,使用线性回归或决策树而不是大型深度网络会更好。

在这篇文章中,我们将比较深度学习与传统的机器学习技术。在这样做的过程中,我们将找出两种技术的优点和缺点,以及它们在哪里,如何获得最佳的使用。

深度学习 > 经典机器学习

一流的表现:深度网络已经实现了远远超过传统ML方法的精确度,包括语音、自然语言、视觉和玩游戏等许多领域。在许多任务中,经典ML甚至无法竞争。例如,下图显示了ImageNet数据集上不同方法的图像分类准确性,蓝色表示经典ML方法,红色表示深度卷积神经网络(CNN)方法。

深度学习与经典机器学习的优劣势一览!

机器学习、深度学习、和AI算法可以在网络安全中做什么?

本文作者:Alexander Polyakov,ERPScan的首席技术官和联合创始人、EAS-SEC总裁,SAP网络安全传播者。

现在已经出现了相当多的文章涉及机器学习及其保护我们免遭网络攻击的能力。尽管如此,我们也要清楚的去将理想与现实分开,看看机器学习(ML),深度学习(DL)和人工智能(AI)算法到底可以在网络安全中做什么。

首先,我必须让你失望,因为我们必须承认的是,尽管机器学习在图像识别或自然语言处理这两个领域取得了不错的成绩,但机器学习绝不会成为网络安全的silver bullet(银弹:喻指新技术,指人们寄予厚望的某种新科技)。总会有人试图在我们的系统中发现问题并试图绕过它们。更糟糕的是,这些先进的技术也正在被黑客们使用,例如黑客也可以使用机器学习来实现他们的意图。

机器学习不仅可以帮助我们完成典型的ML任务,包括回归(预测)、分类、聚类,推荐。ML也可以针对各种需求以不同的效率解决问题,这要根据你选择的算法而定。现在,我们将利用机器学习解决典型的网络安全任务。

简单读懂人工智能:机器学习与深度学习是什么关系

随着AlphaGo战胜李世石,人工智能和深度学习这些概念已经成为一个非常火的话题。人工智能、机器学习与深度学习这几个关键词时常出现在媒体新闻中,并错误地被认为是等同的概念。本文将介绍人工智能、机器学习以及深度学习的概念,并着重解析它们之间的关系。本文将从不同领域需要解决的问题入手,依次介绍这些领域的基本概念以及解决领域内问题的主要思路。

从计算机发明之初,人们就希望它能够帮助甚至代替人类完成重复性劳作。利用巨大的存储空间和超高的运算速度,计算机已经可以非常轻易地完成一些对于人类非常困难,但对计算机相对简单的问题。比如,统计一本书中不同单词出现的次数,存储一个图书馆中所有的藏书,或是计算非常复杂的数学公式,都可以轻松通过计算机解决。然而,一些人类通过直觉可以很快解决的问题,目前却很难通过计算机解决。这些问题包括自然语言理解、图像识别、语音识别,等等。而它们就是人工智能需要解决的问题。

心得 | 如何理解深度学习?

深度学习现在非常热,各种会议都要和这个沾点边。在深度学习许多领域都取得了非常不错的效果,如图像识别,语音识别,在安全领域甚至还有识别加密的协议等。如图片,语音领域实验室准确率都超过了90%。

深度学习的本质

心得 | 如何理解深度学习?

一个典型的机器学习样例如上,从开始的通过传感器(例如CMOS)来获得数据。然后经过预处理、特征提取、特征选择,再到推理、预测或者识别。最后一个部分,也就是机器学习的部分,绝大部分的工作是在这方面做的,也存在很多的paper和研究。

而中间的三部分,概括起来就是特征表达。良好的特征表达,对最终算法的准确性起了非常关键的作用,而且系统主要的计算和测试工作都耗在这一大部分。但这块实际中一般都是人工完成的。靠人工提取特征。

同步内容
--电子创新网--
粤ICP备12070055号