机器学习早已在许多产品中发挥过威力了,我们日常就与很多打过交道,从像苹果的Siri和谷歌的Now之类的“智能”助手,到像亚马逊建议买新产品的推荐引擎,再到谷歌和使用的排名系统,凡此种种,不一而足。最近,机器学习由于“深度学习”的进展闯入了公众视野,这些进展包括击败了围棋大师李世乭,以及围绕图像识别和机器翻译方面骄人的新产品。
在本系列的文章中,我们将介绍在机器学习方面强大而又可以普遍应用的技术。这些不仅包括经常在现代商业都需要的更传统的方法,还包括深度学习。在阅读本系列文章之后,你应该就具备在各种你自己所属的领域中进行具体机器学习实验的必要能力了。
本篇文章是系列文章“{aa34aa}”其中的一部分,你可以通过{aa33aa}订阅以接收通知。
用来解决像语音和图像识别之类问题的深度神经网络越来越高的精确度已经引起大家的关注,致力于深度学习和人工智能的研究也更为普遍了。但广泛普及也带来了冲突。本文介绍神经网络,包括对前馈神经网络和递归神经网络的简要说明,并阐述了如何构建一个检测时间序列数据中异常现象的递归神经网络。为使我们的讨论更具体,我们将显示如何用Deeplearning4j构建神经网络,它是一个用于JVM的开源深度学习类库。
人造神经网络的最初设想是模拟生物学神经元的算法。然而,这是一个很泛泛的类比。被人造神经网络借鉴的生物学神经元的功能包括节点之间的连接和针对每个神经元点亮的激活阈值(或触发器)。
通过构建一个连接人造神经元的系统,我们发现系统可以被训练去认识数据中更高层次的模式,并发挥有用的作用,比如递归、分类、聚类和预测。
来源: http://www.infoq.com/cn/articles/deep-learning-time-series-anomaly-detection