简介：摘要：无监督算法只处理“特征”，不操作监督信号。监督和无监督算法之间的区别没有规范，严格的定义，因为没有客观的判断来区分监督者提供的值是特征还是目标。通俗地说，无监督学习是指从不需要人为注释样本的分布中抽取信息的大多数尝试。该术语通常与密度估计相关，学习从分布中采样，学习从分布中去噪，需要数据分布的流形，或是将数据中相关的样本聚类。

简介：摘要：随着通信技术的发展，庞大数据驱动有效决策，成为企业社会高效发展的推动力。如何对海量复杂数据有效分析是当前需要解决的重要课题。传统分析系统基于结构化数据联机分析处理系统，深度学习改变以往机器学习方法，在图像理解等应用领域取得突破性进展。深度学习系工具系统提供较好系统支持，普通行业使用者需要大量时间成本学习相关API，借助分布式计算技术构建深度学习系统可以满足普通用户使用深度学习需求。

简介：摘要：图像传感器具有一定抗干扰能力，具有较强的鲁棒性，尤其像偏振传感器、红外传感器等，提高了物体信息提取与提取的成功率。图像传感器对当前生活中图像数据采集提供了很多的便利，其不仅能够对一些目标的表面和几何形状进行检测，还能够对目标的物理性质进行检测，灵敏度高。但在图像传感器数据采集过程中，难免受到多种因素干扰，如：到主点位置与理想位置偏移情况、镜头畸变、大气流动等因素，导致成像结果出现误差。

简介：摘要：时间序列作为时间观测值的集合，在机器学习和人工智能领域引发了广泛的关注。时间序列预测是获取未来趋势的重要课题之一，研究结果可以为各种应用提供依据，例如优化、控制以及生产计划等。因此，已经提出了许多模型来解决这个问题。但是时间序列数据往往呈现出非平稳、非线性和多维度等特点，单一的深度学习模型难以有效提取时间序列的深层特征，难以挖掘数据的内在特性和识别出数据间的潜在模式。

简介：摘要：在当今社会,计算机网络早已成为当今世界发展的主要动力，但由于计算机网络日益发达，其本身所存在的问题也日益凸显,给广大的使用者造成巨大的损失。而人工智能技术也是我国现代科技的一项重大研究成果，其能够弥补计算机网络的不足,并推动计算机网络领域深入发展。文章对人工智能技术在计算机网络中的应用进行了分析,以供参考。

简介：摘要：深度强化学习在不断深入应用的过程中也面临诸多挑战,当前以无模型深度强化学习为代表的算法通常需要与环境的巨量交互,以改善模型的性能。在雅达利游戏中,智能体需要通过1800万帧的数据交互才能训练出一个可用的模型。其原因在于交互环境的部分可观察性、反馈的稀疏性、延迟性和欺骗性等特点,导致深度强化学习算法在训练过程中存在数据利用率低、泛化能力弱、探索困难、缺乏推理和表征能力不足等问题,这些问题极大地制约着深度强化学习方法在实际复杂问题中的应用。