深度学习的历史趋势

迄今为止深度学习已经经历了3次发展浪潮:

20世纪40年代到60年代,深度学习的雏形出现在控制论(cybernetics)中;
20世纪80年代到90年代,深度学习表现为联结主义(connectionism);
直到2006年,才真正以深度学习之名复兴。

初识几个概念

自动从数据中学习出特征与橙子类型的各种算法,那么这个模型的样子就是你的规则库。

804eef312d4a88d14ad4fe1e8e79e741.png41af7e85b6dc77daaffd04604ab7f00c.png8deafd0c552685472eb20b5268bcb9ba.png

深度学习处于人工智能的哪个位置

56a5563d31824be3cea7b8c2094a4400.png

认识深度学习

一、神经网络的基本单元——神经元

用数学模型模拟的人工神经元里面处理的是所有树突的信号源及相关强的计算。 计算公式是这样的:s = p1w1+p2w2+p3w3+b 51664495d2cefce54d8f3011e074039e.png7c6ecf2e1329f70033f7963017800829.png

二、神经网络的结构

f922b13956d78ab63d0e9b60c309a678.png

三、深度学习的概念

深度神经网络(深度学习)是一种具备至少一个隐层的神经网络,即隐藏层的层数很多。 1e36dd9fda8a08b2f9d15ea948476418.png

深度学习与传统方法的区别

e022032c24ebd764c49c18eb3bf9a172.png

监督学习

深度学习中的监督式学习包括卷积神经网络、循环神经网络等。 b1edf5ed6a58d93586341fed96778127.png

非监督学习

深度学习中的非监督式学习包括确定型的自编码器方法、基于概率型受限玻尔兹曼机的对比散度方法等。 bb650da1612a77e682d5950f8efc7d8a.png

深度学习常用的方法

  1. 自编码器
  2. 卷积神经网络
  3. 循环神经网络

深度学习无监督式方法自编码器

自编码器可以作为一种特征降维的方法。 cf55f62c5295484e47361c28959bc8bf.png 当我们使用4个值表示四个类别的时候: 4f890dba9d539c7cdf2e8d1b9fe40d43.png 用4个值表示4个类别是不紧致的,存在压缩表示的可能性,比如2个值就可以表示这四个不同的数。 ba193e0c29aaccbfcb7e4fa4aa211635.png

深度学习有监督式方法卷积神经网络

d1d4842a5d62610e16771bfbf0d6236c.png67d02da9d44362c5c3a49462deb7c2f3.png3df957b534f8f3a439100f80e1b23688.png

深度学习有监督方法卷积神经网络

a96e5377d5ed2bc318ee5db32f27d26e.png3edd651c06647042ce66b5e45665893e.png1709429cabd28f300067ba631c7af8ee.png

深度学习有监督方法—循环神经网

a470e197b09c9253b0e52f226a7a28e1.pngaf238526270774701cf55741fc07bf71.png 循环神经网络的来源是为了刻画一个序列当前的输出与之前信息的关系。从网络结构上,循环神经网络会记忆之前的信息,并利用之前的信息影响后面结点的输出。即:循环神经网络的隐藏层之间的结点是有连接的,隐藏层的输入不仅包括输入层的输出,还包括上一时刻隐藏层的输出。 4b7dc8cc9cc3cc3cba43e2c61c406560.png 傅园慧说: “在澳洲训练非常辛苦,我已经快死了,简直是生不如死”。 从文字上来可能是愤怒的。 “鬼知道我经历了什么,我太累了”,虽然文字上是辛苦的,但是人脸表情、语音情绪不是,所以总结起来还是开心的。

介绍强化学、AIphaGo和迁移学习

强化学习

不学习,看电视—家长训斥、挨打 好好学习—奖励棒棒糖 37e23b0abe20c2e8073a84ba0063af55.pngd0d1fa013817f6f59d6749536576f1bf.png

AIphaGo

6ecebfafb373cc6bc9857552f50fa633.png

迁移学习

3d42ee51dba2b875cc807516497b2d65.png3b95f337e443aa1ff5bee9945040df66.png

深度学习的多种应用场景

安防监控

1284a912dd60931abb0a98a40c55ee1c.png

智慧城市

7a67c7f571ce82af8244830f08085581.png600760d6d4e2dde47a4f466e5469ec0f.png

医疗健康

9f783b0bb4e8b00add7c326004a7b724.pngf25cfb6cd43cb6518e7f7ff40dc60a4b.png

智能家居

52c7ddb9b10b940021efcb5e7fbe07b3.png

深度学习在智能运维中的应用方法

智能运维的发展过程

7770f16c04956a8d141997669af4a42e.png

KPI异常检测算法

0fa0806a0267300255f990d55b7c8fb2.png437ed5f25913f50aaf6fc259e4359be2.png

使用自编码器结合聚类算法对KPI进行快速聚类

5852fe6d52eb4e3a845122d4a5770afa.png6a66958b3f79b127cdf8aed5c9093d59.png规律一致的模式 de0f236b1caada25a76c262c103f8e6e.png抖动剧烈的模式 1fa9400561da230f6a01c76555e56154.png异常的模式 运维中常见的KPI数据是一种时间序列数据,它具有数据实例多、维度高的特点。为了降低数据分析工作的开销,提高分析效率,我们希望将海量的时序数据曲线分为若干类别,从而减少需要考察的曲线数目。 因此,需要对大规模 辅助KPI标注、辅助构建故障传播链。

使用LSTM做KPI趋势预测

46ed8dfa56bbe898662e3138bd7036bc.pngf464e932e246b83cb24e8866f94523ab.pngb8443208d48228af3c9d4a29902aca29.png

写在最后

近年来,在AIOps领域快速发展的背景下,IT工具、平台能力、解决方案、AI场景及可用数据集的迫切需求在各行业迸发。基于此,云智慧在2021年8月发布了AIOps社区,旨在树起一面开源旗帜,为各行业客户、用户、研究者和开发者们构建活跃的用户及开发者社区,共同贡献及解决行业难题、促进该领域技术发展。 

社区先后开源了数据可视化编排平台-FlyFish、运维管理平台OMP、云服务管理平台-摩尔平台、Hours算法等产品。 


可视化编排平台-FlyFish:

项目介绍:https://www.cloudwise.ai/flyFish.html 

Github地址: https://github.com/CloudWise-OpenSource/FlyFish 

Gitee地址: https://gitee.com/CloudWise/fly-fish 

行业案例:https://www.bilibili.com/video/BV1z44y1n77Y/ 

部分大屏案例: 8f66ddaa637242ebe88bb2eab636af24.png

Logo

CSDN联合极客时间,共同打造面向开发者的精品内容学习社区,助力成长!

更多推荐