数据挖掘实用案例分析 指掘第6章卷积神经网络在音频质量 实用案例分析 评价领域的应用 复旦大学赵卫东博士 0ta间g wdzhao@fudan.edu.cn dicta
数据挖掘实用案例分析 第6章 卷积神经网络在音频质量 评价领域的应用 复旦大学 赵卫东 博士 wdzhao@fudan.edu.cn
章节介绍 深度学习是机器学习的一个重要分支,是目前数据科学领域中比较热门的 研究方向,其起源于神经网络,随着近几年计算能力的提升和大数据的快 速应用逐渐发展起来,人工智能领域的很多应用都采用了深度学习相关的 理论和技术,特别是在自然语言处理、计算机视觉、图像识别、场景分类 等方面成果显著。人工智能的应用获得大众普遍关注后,深度学习相关技 术已成为数据分析人员的必修目标之一。本章主要从深度学习的理论基础 发展历程、常用算法等几个方面对其进行介绍,并结合案例说明其在音 频质量评价方面的应用
章节介绍 • 深度学习是机器学习的一个重要分支，是目前数据科学领域中比较热门的 研究方向，其起源于神经网络，随着近几年计算能力的提升和大数据的快 速应用逐渐发展起来，人工智能领域的很多应用都采用了深度学习相关的 理论和技术，特别是在自然语言处理、计算机视觉、图像识别、场景分类 等方面成果显著。人工智能的应用获得大众普遍关注后，深度学习相关技 术已成为数据分析人员的必修目标之一。本章主要从深度学习的理论基础 、发展历程、常用算法等几个方面对其进行介绍，并结合案例说明其在音 频质量评价方面的应用
章节结构 深度学习基础 深度学习的发展过程 深度学习常用技术框架 常用深度学习算法 音频质量评价 音频样本及特征预处理 音频特征选择 卷积神经网络模型训练 模型参数调优 性能验证
章节结构 • 深度学习基础 – 深度学习的发展过程 – 深度学习常用技术框架 – 常用深度学习算法 • 音频质量评价 – 音频样本及特征预处理 – 音频特征选择 – 卷积神经网络模型训练 • 模型参数调优 • 性能验证
深度学习基础 基于反向传播算法( Back Propagation,BP)的传统人工神经网络是一种浅层 学习模型由于运算能力的限制,往往只有输入层、隐含层、输出层,容易 产生过拟合,泛化能力较差。深度学习的基本思想是通过使用多个层,某 层作为下一层的输入,来实现对输入信息的分级表达,这参考了人类的 分层处理系统,可以让机器自动地学习有用的特征,采用多层神经网络的 结构来抽象特征,从而发现更多的数据分布特点 深度学习的目标是模拟人类大脑进行学习,通过多个层对特征进行学习, 特征表示的粒度要具有一定的结构性,不仅在横向的维度中具有关联,而 且要在纵向抽象时具有意乂,从特征的稀疏编码逐渐迭代抽象,复杂度和 抽象度逐层递增,而抽象的层次越高,其类别越少,也就更易于区分。可 以说,深度学习就是一种非监督式特征学习的过程
深度学习基础 • 基于反向传播算法( Back Propagation，BP)的传统人工神经网络是一种浅层 学习模型由于运算能力的限制，往往只有输入层、隐含层、输出层，容易 产生过拟合，泛化能力较差。深度学习的基本思想是通过使用多个层，某 一层作为下一层的输入，来实现对输入信息的分级表达，这参考了人类的 分层处理系统，可以让机器自动地学习有用的特征，采用多层神经网络的 结构来抽象特征，从而发现更多的数据分布特点 • 深度学习的目标是模拟人类大脑进行学习，通过多个层对特征进行学习， 特征表示的粒度要具有一定的结构性，不仅在横向的维度中具有关联，而 且要在纵向抽象时具有意义，从特征的稀疏编码逐渐迭代抽象，复杂度和 抽象度逐层递增，而抽象的层次越高，其类别越少，也就更易于区分。可 以说，深度学习就是一种非监督式特征学习的过程
深度学习基础 ·深度学习的训练过程是按照分层训练的机制,自底向上进行非监督特征学 习,获得各层的参数,也可以认为是对相应特征进行学习的过程。当然, 其偏差也会逐层传递。在达到最顶层之后对比结果标签,对误差自顶向下 逐层传输,进行有监督学习,对各层中的参数进行微调,通过多次选代调 整,使整个网络的参数具有较好的区分效果
深度学习基础 • 深度学习的训练过程是按照分层训练的机制，自底向上进行非监督特征学 习，获得各层的参数，也可以认为是对相应特征进行学习的过程。当然， 其偏差也会逐层传递。在达到最顶层之后对比结果标签，对误差自顶向下 逐层传输，进行有监督学习，对各层中的参数进行微调，通过多次选代调 整，使整个网络的参数具有较好的区分效果