金融百科
金融百科 >>所属分类 >> 金融术语   

深度学习

目录

[显示全部]

什么是深度学习 编辑本段 回目录

DeepLearning 应用于语音识别,机器翻译,计算机视觉领域 ,属于计算机学术。
深度学习,当前特指源于人工神经网络的机器学习,被认为是实现人工智能的必由之路。深度学习是机器学习中的一个新领域,其核心思想在于模拟人脑的层级估计抽象结构,通过无监督的方式分析大规模数据,发现大数据中蕴含的有价值的信息。它应大数据而生,给大数据提供了一个深度思考的大脑。深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。深度学习本质其实就是多层神经网络,而神经网络这个东西几十年前大家就开始研究了。我们知道,神经网络的一层,其实就是一个线性变换加上一个简单的非线性操作,而多层神经网络其实就是多个简单的非线性函数的复合。一层、两层的网络用途比较有限,往往很难刻画输入与输出之间的复杂关系。但是深层的网络,历史上又一直无法进行有效训练。
学习能力是人类智能的根本特征,人类通过学习可以提高自己的能力。学习的基本机制是设法将一种情况下的成功的表现行为转移到另一种类似的新情况中去。1983年西蒙对学习的定义如下:“能够让系统在执行同一任务或同类的另外一个任务时,比前一次执行得更好的任何改变。”学习的关键在于对经验的泛化——不仅是重复处理同一任务,而且是域中相似的任务都要执行的更好。

深度学习方法分类 编辑本段 回目录

同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。例如,卷积神经网络(Convolutionalneuralnetworks,简称CNNs)就是一种深度的监督学习下的机器学习模型,而深度置信网(DeepBeliefNets,简称DBNs)就是一种无监督学习下的机器学习模型。

深度学习的重要性 编辑本段 回目录

大数据已经变成各个行业的基础架构,而真正能帮助这些行业处理好数据,并最终实现具体应用的还是因为深度学习的出现。可以说,深度学习是大数据具体行业应用的必要工具。有了深度学习AI的未来一片光明。有了深度学习,机器学习才有了许多实际的应用,它还拓展了AI的整体范围。深度学习将任务分拆,使得各种类型的机器辅助变成可能。无人驾驶汽车、更好的预防性治疗、更好的电影推荐要么已经出现,要么即使出现。AI既是现在,也是未来。有了深度学习的帮助,也许到了某一天AI会达到科幻小说描述的水平,这正是我们期已久的。你会有自己的C-3PO,有自己的终结者。
如何让机器自动的发现特征,这是深度学习解决的核心问题。研究人员早就意识到了人工寻找特征的局限,只是迟迟未发现具有普遍有效性的方法来自动化的发现特征并应用到自身的学习系统中,直到包含3层隐层(Hiddenlayers)的多层神经网络出色的解决了手写识别问题的方案出现。

深度学习技术应用 编辑本段 回目录

深度学习的发展使人工智能在图像、语音、自然言语处理等多方面有了技术性打破,达到实践运用程度,也开始运用到金融领域。同时,深度学习非常适用于大数据背景下的金预测分析。让我们来看一下深度学习这个强大技术的应用:
图像辨认技术
早在1998年,LeCun提出的LeNet模型用以辨认支票上的手写字迹,被世界各地银行广泛运用。此后,这项技术也被用于对银行各类票据、合同等文字档案进行辨认管理。今天,甚至可用于辨认金融图表。如日本公司Alpaca推出的智能平台,这个交易平台名为Capitalico,与传统的交易平台不一样的是,它使用了深度学习技术。Alpaca曾推出过图像识别和标记平台Labellio,Capitalico的这项服务也是由此而衍生出来的。能快速搜索和辨认外汇买卖图表,辅助买卖管理。基于图像识别的深层学习技术,Capitalico平台允许用户很容易地从存档里找到外汇交易图表并帮忙做好分析,这样一来,普通人就能知道明星交易员是如何做交易的,从他们的经验中学习并作出更准确的交易。2012年以来,基于深度学习的识别器在各种图像识别比赛中获得了超越前人的优异成绩。
国内外的一些大公司,如Google、IBM、百度、阿里巴巴等纷纷采用“人脸识别技术”。到目前为止,已经有多个公司和研究机构宣称自己基于深度学习开发的人脸识别系统获得了超过人的辨识率。行业内外都是深度学习的身影,基于人脸识别的技术呼之欲出。人脸辨认有望运用于金融领取认证,完成“刷脸领取”。2017年9月1日蚂蚁金服宣布在杭州KFC首推“刷脸支付”服务。选择支付宝刷脸”后,机器会进行人脸识别,识别成功再输入绑定的手机号,整个支付过程不超过10秒。
智能客服在金融领域的运用将推进金融服务体验,进步管理运营程度。它一方面运用语音辨认、自然言语理解、问答零碎方面的成果,用人机交流代替人工客服。另一方面结合用户行为分析技术,对用户买卖行为进行分析,可以优化操作流程。据蚂蚁金服李小龙介绍,智能客服已经承担了每天500W总请求的94%,满意度超过人工客服。京东的DNN实验室(DNNLab)专注于人工智能、大数据、深度学习、异构计算等技术,以确京东技术在业界地位。经过运用深度学习技术,推出了JIMI智能机器人,成功运用于售前咨询、售后服务和生活伴侣三个场景,有望承担超过80%的京东客服工作。
金融时序分析
美国伊利诺伊斯理工大学的Dixon利用深度神经网络,预测43种大宗商品和外汇期货在将来5分钟的价格变动。斯坦大学的RuoxuanXiong等人经过集成谷歌趋势和市场数据的LSTM模型来预测标普500指数的波动性。伦敦帝国学院的Sirignano利用2014-2015年纳斯达克股票的买卖数据,建立“空间神经网络”模型,预测买卖单方的报价情况。
金融舆情分析
指结合自然言语处理和深度学习技术,监测旧事、社交媒体中的金融事情,经过文本情感倾向分析来预测金融行情走向。美国康奈尔大学的Sarlin等人利用旧事数据来进行银行危机预告。他们运用两个神经网络分别进行语义分析和正负面判别。Fehrer等人则利用旧事头条预测德国股市走向,运用的是一个递归自动编码器,达到56%的精确率。中国哈工大刘挺等人利用旧事摘要预测标普500指数的波动。他们运用一个卷积神经网络学习旧事事情的长短期影响,预测精确率达到了65%。欧洲央行曾发布一个研讨报告,指出Twitter上的情绪情况对预测美国、英国、加拿大的股价有很大的价值。
智能投顾也被称为智能理财,它为用户提供自动化的证券投资组合管理服务。美国Wealthfront,Betterment和PersonalCapital公司是智能投顾领域的先驱。国内也出现了许多智能投顾的初创公司。深度学习在智能投顾的运用,是把在量化分析、资产配置优化、价格波动预测、舆情分析等多方面的运用综合起来,以给用户提供智能化的投资服务。此外,深度学习还可运用于金融风险控制大数据征信等领域。可预期将来还会出现更多新的运用场景。深度学习在金融领域的运用,将带来更智能化的管理和消费方式。
很多人由此担心,按照这样的世态发展下去,计算机会不会悄悄学到什么我们不希望它学会的知识?如果这个答案是肯定的,那只要有足够的数据,计算机就能学会宇宙中所有可能的知识——接下来会发生什么?大家是不是对计算机的智慧超越人类有了些许的忧虑?还好,关于深度学习到底是否有能力表达宇宙级别的复杂知识,专家们尚未有一致看法。人类至少在可见的未来还是相对安全的。

深度学习VS机器学习VS模式识别 编辑本段 回目录

模式识别(Patternrecognition)、机器学习(machinelearning)和深度学习(deeplearning)代表三种不同的思想流派。模式识别是最古老的(作为一个术语而言,可以说是很过时的)。机器学习是最基础的(当下初创公司和研究实验室的热点领域之一)。而深度学习是非常崭新和有影响力的前沿领域,我们甚至不会去思考后深度学习时代。
1)机器学习就像是一个真正的冠军一样持续昂首而上;
2)模式识别一开始主要是作为机器学习的代名词;
3)模式识别正在慢慢没落和消亡;
4)深度学习是个崭新的和快速攀升的领域。
1.模式识别:智能程序的诞生
模式识别是70年代和80年代非常流行的一个术语。它强调的是如何让一个计算机程序去做一些看起来很“智能”的事情,例如识别“3”这个数字。而且在融入了很多的智慧和直觉后,人们也的确构建了这样的一个程序。例如,区分“3”和“B”或者“3”和“8”。早在以前,大家也不会去关心你是怎么实现的,只要这个机器不是由人躲在盒子里面伪装的就好(图2)。不过,如果你的算法对图像应用了一些像滤波器、边缘检测和形态学处理等等高大上的技术后,模式识别社区肯定就会对它感兴趣。光学字符识别就是从这个社区诞生的。因此,把模式识别称为70年代,80年代和90年代初的“智能”信号处理是合适的。决策树、启发式和二次判别分析等全部诞生于这个时代。而且,在这个时代,模式识别也成为了计算机科学领域的小伙伴搞的东西,而不是电子工程。从这个时代诞生的模式识别领域最著名的书之一是由DudaHart执笔的“模式识别(PatternClassification)”。对基础的研究者来说,仍然是一本不错的入门教材。不过对于里面的一些词汇就不要太纠结了,因为这本书已经有一定的年代了,词汇会有点过时。
2.机器学习:从样本中学习的智能程序
在90年代初,人们开始意识到一种可以更有效地构建模式识别算法的方法,那就是用数据(可以通过廉价劳动力采集获得)去替换专家(具有很多图像方面知识的人)。因此,我们搜集大量的人脸和非人脸图像,再选择一个算法,然后冲着咖啡、晒着太阳,等着计算机完成对这些图像的学习。这就是机器学习的思想。“机器学习”强调的是,在给计算机程序(或者机器)输入一些数据后,它必须做一些事情,那就是学习这些数据,而这个学习的步骤是明确的。相信我,就算计算机完成学习要耗上一天的时间,也会比你邀请你的研究伙伴来到你家然后专门手工得为这个任务设计一些分类规则要好。
在21世纪中期,机器学习成为了计算机科学领域一个重要的研究课题,计算机科学家们开始将这些想法应用到更大范围的问题上,不再限于识别字符、识别猫和狗或者识别图像中的某个目标等等这些问题。研究人员开始将机器学习应用到机器人(强化学习,操控,行动规划,抓取)、基因数据的分析和金融市场的预测中。另外,机器学习与图论的联姻也成就了一个新的课题---图模型。每一个机器人专家都“无奈地”成为了机器学习专家,同时,机器学习也迅速成为了众人渴望的必备技能之一。然而,“机器学习”这个概念对底层算法只字未提。我们已经看到凸优化、核方法、支持向量机和Boosting算法等都有各自辉煌的时期。再加上一些人工设计的特征,那在机器学习领域,我们就有了很多的方法,很多不同的思想流派,然而,对于一个新人来说,对特征和算法的选择依然一头雾水,没有清晰的指导原则。但,值得庆幸的是,这一切即将改变……
3.深度学习:一统江湖的架构
在深度学习的模型中,受宠爱最多的就是被用在大规模图像识别任务中的卷积神经网络(ConvolutionalNeuralNets,CNN),简称ConvNets。
深度学习强调的是你使用的模型(例如深度卷积多层神经网络),模型中的参数通过从数据中学习获得。然而,深度学习也带来了一些其他需要考虑的问题。因为你面对的是一个高维的模型(即庞大的网络),所以你需要大量的数据(大数据)和强大的运算能力(图形处理器,GPU)才能优化这个模型。卷积被广泛用于深度学习(尤其是计算机视觉应用中),而且它的架构往往都是非浅层的。
如果你要学习DeepLearning,那就得先复习下一些线性代数的基本知识,当然了,也得有编程基础。我强烈推荐AndrejKarpathy的博文:“神经网络的黑客指南”。另外,作为学习的开端,可以选择一个不用卷积操作的应用问题,然后自己实现基于CPU的反向传播算法。
对于深度学习,还存在很多没有解决的问题。既没有完整的关于深度学习有效性的理论,也没有任何一本能超越机器学习实战经验的指南或者书。另外,深度学习不是万能的,它有足够的理由能日益流行,但始终无法接管整个世界。不过,只要你不断加你的机器学习技能,你的饭碗无忧。但也不要对深度框架过于崇拜,不要害怕对这些框架进行裁剪和调整,以得到和你的学习算法能协同工作的软件框架。未来的Linux内核也许会在Caffe(一个非常流行的深度学习框架)上运行,然而,伟大的产品总是需要伟大的愿景、领域的专业知识、市场的开发,和最重要的:人类的创造力。
深度学习
深度学习
参考资料
[1].  深度学习引爆下一次科技革命   http://news.mydrivers.com/1/380/380523.htm
[2].  一张图看懂AI、机器学习和深度学习的区别   http://news.newseed.cn/p/1326716
[3].  深度学习真的可以零基础入门吗?   https://www.leiphone.com/news/201706/qsPTfLYYRZJSHZQK.html
[4].  深度学习深在哪   https://zhuanlan.zhihu.com/p/25201730
[5].  探索金融创新的新动力——深度学习   http://www.jinse.com/news/forex/66969.html
[6].  深度学习史上最全总结(文末有福利)   http://www.360doc.com/content/15/0711/13/21966267_484214274.shtml
[7].  关于深度学习,看这一篇就够了   http://tech.sina.com.cn/i/2016-02-23/doc-ifxprucu3124795.shtml
[8].  整理:深度学习 vs 机器学习 vs 模式识别   http://www.csdn.net/article/2015-03-24/2824301

附件列表


词条内容仅供参考,如果您需要解决具体问题
(尤其在法律、医学等领域),建议您咨询相关领域专业人士。
1

词条信息

  • 浏览次数: 10661 次
  • 编辑次数: 1次 历史版本
  • 更新时间: 2017-09-13

相关词条

相关新闻

相关帖子