神经网络的应用 适合初学者学习的神经网络：流行类型和应用

目前，神经网络被用来解决许多商业问题，如销售预测、客户研究、数据验证和风险管理。此外，我们可以使用神经网络来预测时间序列，检测数据中的异常，并理解自然语言。

在这篇文章中，我们将向初学者解释什么是神经网络，神经网络的流行类型及其应用。我们还将介绍如何将神经网络应用于不同的行业和部门。

神经网络是如何工作的？

最近，在计算机科学领域，“神经网络”一词引起了广泛的关注，并引起了许多人的注意。但是这些是什么，它们是如何工作的，它们真的有益吗？

本质上，神经网络是由一层称为神经元的计算单元组成的，不同层之间存在联系。这些网络转换数据，直到它们可以将其分类为输出。每个神经元通过一些权值加上一个初始值，将总结果和其他值传递给同一个神经元，根据神经元的偏差调整个数，然后利用激活函数使输出恢复正常。

迭代学习过程

神经网络的一个关键特征是记录每次提供给网络的迭代学习过程，每次调整与输入值相关的权重。这个过程往往是在所有情况都发生后才重复的。在这个学习阶段，网络通过调整权重来预测输入样本的正确类别标签。

神经网络的优势包括对噪声数据的高容忍度和对未训练模式进行分类的能力。最流行的神经网络算法是反向传播算法。

一旦为特定应用构建了网络，网络就可以进行培训了。为了开始这个过程，随机选择初始权重。然后训练就可以开始了。

网络使用隐藏层中的权重和函数来处理“训练集”中的记录，然后将结果输出与预期输出进行比较。然后，错误通过系统传播，导致系统将应用程序的权重调整到下一条记录。当调整重量时，这个过程会反复发生。在网络的训练过程中，当连接权值不断细化时，同一数据集会被多次处理。

那么它包含了哪些困难呢？

对于初学者来说，学习神经网络的挑战之一是了解每一层的具体情况。我们知道，经过训练后，每一层提取数据集的更高层特征，直到最后一层对输入特征中涉及的内容做出决定。那么我们该怎么办呢？

我们可以让网络来做这个决定，而不是具体说明我们希望网络放大什么。假设我们只是给网络一张任意的图片或者照片，让网络分析图片。然后我们选择一个层，让网络增强它检测到的任何东西。网络的每一层都处理不同抽象级别的特征，因此我们生成的特征的复杂性取决于我们选择加强哪一层。

流行的神经网络及其应用

在本文中为初学者学习神经网络，我们将研究自动编码器，卷积神经网络和递归神经网络。

编译程序

该方法基于随机初始化是个坏主意的观察，提前训练每一层使用无监督学习算法可以得到更好的初始权重。这种无监督算法的一个例子是深度信念网络。最近，一些研究试图复兴这一领域，例如，使用基于概率的自动编码器的变分方法。

它们很少在实际应用中使用。最近批量标准化开始允许更深层次的网络，我们可以用残差学习从零开始任意训练更深层次的网络。在适当的维度和稀疏约束下，自动编码器可以学习到比PCA或其他基本技术更有趣的数据投影。

让我们来看看自动编码器的两个有趣的实际应用:

1.在数据去噪中，用卷积层表示去噪自动编码器，有效地用于医学图像去噪。

崩溃过程随机将一些输入设置为零，迫使去噪自动编码器预测丢失模式的随机选择子集的丢失值。

2.数据可视化试图使用主成分分析和t-SNE算法来降维。它们与神经网络训练相结合，以提高模型预测的精度。同时，MLP神经网络预测的准确性很大程度上取决于神经网络的结构、数据预处理和网络发展的问题类型。

卷积神经网络

卷积的主要目的是从输入图像中提取特征。卷积利用小的输入数据学习图像特征，从而维持像素空之间的关系。卷积神经网络在以下领域取得了成功:

人脸识别

在人脸识别的工作中，他们使用级联的卷积神经网络来快速检测人脸。检测器对低分辨率的输入图像进行评估，以便快速剔除非人脸区域，并对分辨率较高的区域进行仔细处理，以实现准确检测。

为了加快检测速度和提高包围盒的质量，级联引入了标定网。

自动驾驶汽车

在自动驾驶项目中，深度估计是自动驾驶的一个重要考虑因素，因为它可以保证乘客和其他车辆的安全。卷积神经网络的这些方面已经应用到NVIDIA的自动驾驶汽车项目中。

卷积神经网络的层是极其通用的，因为它们可以通过多个参数处理输入。这些网络的子类型也包括深度信念网络。卷积神经网络传统上用于图像分析和目标识别。

递归神经网络

递归神经网络可以通过处理实际的数据序列来生成序列，并预测接下来会发生什么。

假设这些预测是概率性的，通过从网络的输出分布中重复采样，可以从训练好的网络中生成新的序列，然后在下一步中输入样本。

语言驱动的图像生成

可以学习把指定的文字变成手写吗？为了完成这个挑战，窗口与文本串进行卷积，该文本串被用作预测网络的额外输入。在进行预测时，窗口的参数同时由网络输出，因此它动态地确定文本和笔位置之间的对齐。简而言之，它学会了决定下一步写哪个角色。

预报

给定一个特定的输入，可以训练一个神经网络来产生预期的输出。如果我们的网络能够很好地模拟已知值的序列，我们就可以用它来预测未来的结果。一个明显的例子是股市预测。

神经网络在不同行业中的应用

神经网络广泛应用于当前的社会商业问题，如销售预测、客户研究、数据验证和风险管理。

营销

目标营销涉及市场细分，我们将市场划分为不同的消费群体。

神经网络可以根据用户的基本特征进行细分，包括人口、经济状况、位置、购买方式、对产品的态度等。无监督神经网络可以根据客户特征的相似性自动对客户进行分组和分类，而有监督神经网络可以根据一组客户的需求学习不同客户细分之间的边界。

零售和销售

神经网络具有同时考虑产品市场需求、客户收入、人口和产品价格等多种因素的能力。超市销售额的预测在这里有很大的优势。

如果两种产品有一段时间的关系，比如购买打印机的3-4个月内，客户会计划购买新的墨盒，所以零售商可以利用这些信息联系客户，从而降低客户从竞争对手那里购买产品的可能性。

银行和金融

神经网络已成功应用于衍生证券的定价和套期保值、期货价格预测、汇率预测和股票表现。传统上，统计技术促进了软件的发展。然而，神经网络是促进决策的基础技术。

医学

神经网络是医学领域的一个研究趋势，在未来几年将广泛应用于生物医学系统。目前，这项研究主要集中在人体的建模上，从各种扫描中识别疾病。

总之，神经网络使计算机系统更有用，更人性化。

本文由atyun制作，转载时请注明出处。关注微信微信官方账号atyun_com或访问www.atyun.com网站