当前位置:文档之家› 深度学习-神经网络

深度学习-神经网络


电费1650~2650万美元。最新数据显示该节能比例可能高

达40%
他交通领域Fra bibliotek领路况导航,最优路线规划
军事领域

美国军方早已用深度学习网络技术针对海
量文本的数据分析和图像中的目标识别
医疗领域 DNA分析、癌症预测
智能制造领域 机器人手臂精准抓取
五、华宇成果
法袍识别
基于分类 人工将图片画出来法官所在区域,然后对 该区域进行区域图片分类 基于目标 定位+分类,自动定位,识别更准确





ImageNet比赛物体识别项目Top-5 Error进步情况
人脸识别任务Top-1 Accuracy进步情况
图像处理
例如Prisma软件,通过深度学习将艺术家 的画风映射到照片上,从而使写实的照片 瞬间成为某个艺术画派的画作
语音识别
针对音素(Phoneme)识别,2009年深 度学习的错误率为23.0%;而在单词识别 上,2011年深度学习的错误率仅宣称错误率 降低到了3%以下甚至更低

--被告犯罪档案被告的

访谈

入监决策、管理囚犯、

规划惩治的决策支持
再犯风险评估
就业、住房和药物滥用 等领域单独评估
量刑司法实践
四、当前主要应用
风险评估技术工具:
缓刑和假释部门 确定违法者的最佳监督和处罚方式
Northpointe公司 COMPAS软件:
21类静态信息,例如:

此人在假释期间多少次
二、神经网络是什么—定义及基本技术理论












神经兴奋信号/无信号
1/0
二、神经网络是什么—定义及基本技术理论
Output:输出
x:输入
w:权重

-b:阈值
知 器
z:输出
∑(输入*权重)《===》阈值
二、神经网络是什么—定义及基本技术理论
以周末滑雪活动为例 影响因素: 天气—好/不好 (1/0) 同伴—有/没有 ( 1/0 )
自然语言理解
随着Word2Vec的适时出现,词语获得了 更稠密的向量表示方法,其相关性也更容 易计算,使得深度学习具备了重要的输入 手段,极大地推动了相关的深度学习应用
四、当前主要应用
风险评估技术工具:
缓刑和假释部门 确定违法者的最佳监督和处罚方式
Northpointe公司 COMPAS软件:
数据来源
THANKS
北法市场部 李悦
2017.12.28
六、对于可能存在的争议的几点思考
规划判断的准确性
变化的因素、权重、阈值
矫正的后发性
矫正不及时,矫正代价大 .
个体事件和群体事件的联系性
概率计算,群体倾向和差异性特例
神经网络的不透明性导致的程序正义性争议 (Campas案例)
隐藏的决策过程 风险商业机密与公开披露风险的矛盾; 不可控因素的歧视风险; 风险评估对量刑效用的控制;

被羁押?5+

此人在试用期间有多少

次新的收费/逮捕?4
此人以前被逮捕(仅限 刑事拘留)了几次?当 时成年还是未成年?12
量刑司法实践
四、当前主要应用
AlphaGo
Google DeepMind的深度学习网络
电力管理
谷歌用操控计算机服务器和相关设备(例如冷却系统)来管
理部分数据中心,可降低15%的能耗,每年为Google节省
泛化技术

空间矩阵变换运算

卷积积分
求导
反向传播算法
学 习
梯度下降算法
……
《神经网络浅讲: 从神经元到深度学习》
算法基本理念 为参数随机赋值=》预测训练数据=》求预测值与实际训练数据的差方(loss函数)=》求loss函数最小值
三、发展历程 起与落:计算机技术、计算能力水平
四、当前主要应用 图像识别
( 数传 据统 样机 本器 量学 小习 )
机器学习 技术
优化理论
统计
基础
基础支撑理论:优化和统计
技术层面:机器学习 数据样本量大的领域(主):深度学习 基础建模方法—神经网络 神经网络技术≈深度学习技术 数据样本量小的领域(次):传统机器学习(医疗—手术案例)
应用层面:互有交叠 模式识别:早期自动化领域概念,相当于机器学习中的分类、 聚类,逐步被人工智能概念包容替代 数据挖掘:解决生产、金融、互联网等领域高维数据的建模与 规律发现,辅助人类决策的“洞察(insight)”方法论 人工智能:目标在于让机器解决听、看、理解、思考等人类智 能行为问题
天气X1 主导因素
w1
次要因素 同伴X2
w2
综合考虑 将各因素的影响总和与 滑雪意愿的强烈程度进 行比较
价格—贵/不贵( 1/0 )
∑(输入*权重)-阈值

价格X3 次要因素
w2
∑(X*W)+ b


去(1) 不去(0)
二、神经网络是什么—定义及基本技术理论
单层神经网络
双层神经网络
多层神经网络
神 经 网 络
模型实质:在感知器的基础上,多输入、输出交互+多层感知器结构
研究神经网络:识别事件关联因素—模型的输入输出关系 计算/设置更准确的权重和阈值,使预测结果愈加准确
二、神经网络是什么—定义及基本技术理论
深度学习:通过多种算法,利用大量的训练数据(输入输出组合数据) ,不断矫正参数, 使神经网络模型的输出更准确更符合实际,实现准确预测甚至决策
手写体识别
基于目标检测 构建手写体模型 手写体检测识别
红章指纹移除
基于目标检测 检测红章、指纹区域 通过颜色模型进行抹除
电子卷宗自动归目
OCR、机器学习、文本识别等技术 对电子卷宗文件自动识别分类 标记材料内容和类型
图像分析
识别分类 80余种证件、票据以及一些有明显特征的 图像类材料 图像优化 去黑边、纠偏、空白页检查、图像清晰度 检查、dpi检查等接口服务
深度学习和神经网络 三两事
北法市场部 李悦
1 相关概念关系 2 神经网络是什么 3 发展历程 4 当前主要应用 5 华宇成果 6 争议的几点思考
一、人工智能、机器学习、深度学习、神经网络等概念的关系
人人工工智智能能
数数据据挖挖掘掘
模式识别
应用
以“神经网络”为基础建 模方法的深度学习 (数据样本量大)
相关主题