人妖干美女视频,亚洲美女视频免费

前言

人工智能有望成為IT領(lǐng)域最重要的技術(shù)革命，而深度學(xué)習(xí)更被譽為“人工智能皇冠上的明珠”。近年來，深度學(xué)習(xí)在金融領(lǐng)域已經(jīng)被廣泛應(yīng)用，如圖像識別、智能客服、智能投顧等。本文試圖略窺深度學(xué)習(xí)之真貌，并展望其在金融領(lǐng)域的應(yīng)用前景。

深度學(xué)習(xí)

＜走紅之路＞

人工智能學(xué)科旨在通過機器來模擬人類的智能。機器學(xué)習(xí)是人工智能的一個重要分支，在互聯(lián)網(wǎng)時代甚至可以說是人工智能的代名詞。人工神經(jīng)網(wǎng)絡(luò)是最重要的機器學(xué)習(xí)方法之一，深度學(xué)習(xí)則是在近年出現(xiàn)重大突破的一種人工神經(jīng)網(wǎng)絡(luò)方法。簡單地說，深度學(xué)習(xí)就是一種通過深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)海量數(shù)據(jù)中規(guī)律的方法。

2006年

Hinton提出深度學(xué)習(xí)的新方法，復(fù)興了神經(jīng)網(wǎng)絡(luò)的研究。之后深度學(xué)習(xí)在學(xué)術(shù)界持續(xù)升溫。

2010年

美國國防部DARPA計劃首次資助深度學(xué)習(xí)項目。

2011年

深度學(xué)習(xí)在語音識別上取得突破性進展。

2012年

深度學(xué)習(xí)在圖像識別領(lǐng)域的ImageNet競賽上遙遙領(lǐng)先其它技術(shù)而奪冠。同年，Google Brain項目從海量圖片中自己“領(lǐng)悟”識別出貓臉。同時深度學(xué)習(xí)應(yīng)用于藥物活性預(yù)測問題，獲得世界最好成績。

2014年

DeepFace、DeepID模型把人臉識別的正確率提高到99.75%，超越人類。

2015年

NVIDIA和Google先后開發(fā)了深度學(xué)習(xí)專用處理器。

2016年

應(yīng)用多項深度學(xué)習(xí)技術(shù)的AlphaGo戰(zhàn)勝了最好的人類圍棋選手李世石，把人工智能所取得的成就展現(xiàn)在世人面前。

近年來，全世界掀起了一股深度學(xué)習(xí)研究的浪潮。Google、微軟、百度等知名公司爭相投入，占領(lǐng)深度學(xué)習(xí)的技術(shù)制高點。而在金融領(lǐng)域，深度學(xué)習(xí)也越來越成為投資和研究的熱點。

深度學(xué)習(xí)

＜背后揭秘＞

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN），也稱為神經(jīng)網(wǎng)絡(luò)，是由大量神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)，是對生物神經(jīng)網(wǎng)絡(luò)（大腦）的模擬。它是一種非線性、分布式并行處理、具備自適應(yīng)能力的算法模型。神經(jīng)元是構(gòu)成神經(jīng)網(wǎng)絡(luò)的基本單元。一個神經(jīng)元接收從其它神經(jīng)元傳來的輸入信號，并產(chǎn)生輸出。在數(shù)學(xué)上神經(jīng)元相當(dāng)于一個非線性變換（激勵函數(shù)）。當(dāng)一組神經(jīng)元組合起來并具有分層結(jié)構(gòu)時，就形成了神經(jīng)網(wǎng)絡(luò)模型。下圖是一個典型的前饋神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)一般使用反向傳播算法（Backpropagation，BP）進行訓(xùn)練。訓(xùn)練過程首先將輸入數(shù)據(jù)逐層計算得到一個輸出結(jié)果，然后將輸出與結(jié)果值的誤差逐層反向傳播，根據(jù)誤差調(diào)節(jié)網(wǎng)絡(luò)權(quán)重。訓(xùn)練過程反復(fù)進行以使網(wǎng)絡(luò)的最終輸出逼近期望值。

深度學(xué)習(xí)（Deep Learning）之前的機器學(xué)習(xí)方法被統(tǒng)稱為淺層學(xué)習(xí)（Shallow Learning）。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)屬于淺層學(xué)習(xí)模型，它只包含少許隱層。其它如SVM、Boosting可以看成帶有一層隱層的節(jié)點，邏輯回歸LR沒有隱層節(jié)點。淺層學(xué)習(xí)模型的局限性在于：

1）對復(fù)雜函數(shù)的表達能力有限。

2）它依賴人工設(shè)計特征，因此性能受限于人的領(lǐng)域知識和經(jīng)驗。而深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)，通過增加隱層的層數(shù)，可以學(xué)習(xí)到更復(fù)雜的函數(shù)表示，同時具有優(yōu)異的特征學(xué)習(xí)能力。DNN的每層都對應(yīng)一次特征變換，把數(shù)據(jù)逐步變換到更高層抽象的表示?？梢哉f，深度學(xué)習(xí)的本質(zhì)是一種特征學(xué)習(xí)方法。而且最關(guān)鍵的一點是，它無需人工干預(yù)就能自主地從數(shù)據(jù)中學(xué)習(xí)特征。

傳統(tǒng)BP算法在隱層數(shù)增多時，存在局部最小值和梯度衰減以及計算量大的問題。為了解決這些難題，深度學(xué)習(xí)提出新的訓(xùn)練算法。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對于網(wǎng)絡(luò)參數(shù)是隨機設(shè)定初始值，而DNN加入了“逐層初始化”的過程。具體說，就是先用無監(jiān)督學(xué)習(xí)方法分層訓(xùn)練，得到各層的初始值。這使得網(wǎng)絡(luò)的初始狀態(tài)更接近最優(yōu)值，提高了后續(xù)學(xué)習(xí)的性能。

除了算法層面的突破，深度學(xué)習(xí)的發(fā)展還歸因于兩點：一是大數(shù)據(jù)。深度學(xué)習(xí)模型在海量數(shù)據(jù)輸入下能達到最好的性能，同時，深度學(xué)習(xí)也是最適合大數(shù)據(jù)的機器學(xué)習(xí)方法。二是高性能計算。由于大規(guī)模分布式計算技術(shù)如計算集群、GPU的應(yīng)用，使計算能力大大提升，才使深度學(xué)習(xí)在實踐中有了用武之地。

深度學(xué)習(xí)

＜探索金融＞

深度學(xué)習(xí)的發(fā)展使人工智能在圖像、語音、自然語言處理等多方面有了技術(shù)性突破，達到實際應(yīng)用水平，也開始應(yīng)用到金融領(lǐng)域。同時，深度學(xué)習(xí)非常適用于大數(shù)據(jù)背景下的金融預(yù)測分析。接下來將以幾個主要的應(yīng)用方向為例說明。

＜圖像識別技術(shù)＞

早在1998年，LeCun提出的LeNet模型用以識別支票上的手寫字跡，被世界各地銀行廣泛應(yīng)用。此后，這項技術(shù)也被用于對銀行各類票據(jù)、合同等文字檔案進行識別管理。今天，甚至可用于識別金融圖表。如日本公司Alpaca推出的智能交易平臺，能快速搜索和識別外匯交易圖表，輔助交易管理。此外，近年人臉識別技術(shù)漸趨成熟，識別正確率已可與人眼媲美。人臉識別有望應(yīng)用于金融支付認證，實現(xiàn)“刷臉支付”。如2015年3月，螞蟻金服曾展示Smile to Pay掃臉技術(shù)。

＜智能客服＞

智能客服在金融領(lǐng)域的應(yīng)用將推動金融服務(wù)體驗，提高管理運營水平。它一方面應(yīng)用語音識別、自然語言理解、問答系統(tǒng)方面的成果，用人機交流代替人工客服。另一方面結(jié)合用戶行為分析技術(shù)，對用戶交易行為進行分析，可以優(yōu)化操作流程。如2015年的雙11，螞蟻金服95%的遠程客戶服務(wù)由智能機器人完成，并實現(xiàn)了100%的自動語音識別。京東通過應(yīng)用深度學(xué)習(xí)技術(shù)，推出了JIMI智能機器人，成功應(yīng)用于售前咨詢、售后服務(wù)和生活伴侶三個場景，有望承擔(dān)超過80%的京東客服工作。

＜金融時序分析＞

傳統(tǒng)的時間序列分析是金融量化分析的主流方法。有一些研究者嘗試將深度學(xué)習(xí)技術(shù)應(yīng)用到該領(lǐng)域中。美國伊利諾伊斯理工大學(xué)的Dixon利用深度神經(jīng)網(wǎng)絡(luò)，預(yù)測43種大宗商品和外匯期貨在未來5分鐘的價格變動。斯坦福大學(xué)的Ruoxuan Xiong等人通過集成谷歌趨勢和市場數(shù)據(jù)的LSTM模型來預(yù)測標(biāo)普500指數(shù)的波動性。倫敦帝國學(xué)院的Sirignano利用2014-2015年納斯達克股票的交易數(shù)據(jù)，建立“空間神經(jīng)網(wǎng)絡(luò)”模型，預(yù)測買賣雙方的報價情況。

＜金融輿情分析＞

指結(jié)合自然語言處理和深度學(xué)習(xí)技術(shù)，監(jiān)測新聞、社交媒體中的金融事件，通過文本情感傾向分析來預(yù)測金融行情走向。美國康奈爾大學(xué)的Sarlin等人利用新聞數(shù)據(jù)來進行銀行危機預(yù)告。他們使用兩個神經(jīng)網(wǎng)絡(luò)分別進行語義分析和正負面判別。Fehrer等人則利用新聞頭條預(yù)測德國股市走向，使用的是一個遞歸自動編碼器，達到56%的準(zhǔn)確率。中國哈工大劉挺等人利用新聞?wù)A(yù)測標(biāo)普500指數(shù)的波動。他們使用一個卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)新聞事件的長短期影響，預(yù)測準(zhǔn)確率達到了65%。歐洲央行曾發(fā)布一個研究報告，指出Twitter上的情緒狀況對預(yù)測美國、英國、加拿大的股價有重大價值。

＜智能投顧＞

智能投顧也被稱為智能理財，它為用戶提供自動化的證券投資組合管理服務(wù)。美國Wealthfront, Betterment和Personal Capital公司是智能投顧領(lǐng)域的先驅(qū)。國內(nèi)也出現(xiàn)了許多智能投顧的初創(chuàng)公司。深度學(xué)習(xí)在智能投顧的應(yīng)用，是把在量化分析、資產(chǎn)配置優(yōu)化、價格波動預(yù)測、輿情分析等多方面的應(yīng)用綜合起來，以給用戶提供智能化的投資服務(wù)。

此外，深度學(xué)習(xí)還可應(yīng)用于金融風(fēng)險控制、大數(shù)據(jù)征信等領(lǐng)域?？深A(yù)期將來還會出現(xiàn)更多新的應(yīng)用場景。深度學(xué)習(xí)在金融領(lǐng)域的應(yīng)用，將帶來更智能化的管理和生產(chǎn)方式。我們有理由相信深度學(xué)習(xí)將成為金融領(lǐng)域創(chuàng)新和變革的一個新引擎。

本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請點擊舉報。

中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频