隨著大數(shù)據(jù)和智能時(shí)代的到來,機(jī)器學(xué)習(xí)的研究重心已開始從感知領(lǐng)域轉(zhuǎn)移到認(rèn)知計(jì)算(Cognitive computing,CC)領(lǐng)域,如何提升對(duì)大規(guī)模數(shù)據(jù)的認(rèn)知能力已成為智能科學(xué)與技術(shù)的一大研究熱點(diǎn),最近的深度學(xué)習(xí)有望開啟大數(shù)據(jù)認(rèn)知計(jì)算領(lǐng)域的研究新熱潮.本文總結(jié)了近年來大數(shù)據(jù)環(huán)境下基于深度學(xué)習(xí)的認(rèn)知計(jì)算研究進(jìn)展,分別從深度學(xué)習(xí)數(shù)據(jù)表示、認(rèn)知模型、深度學(xué)習(xí)并行計(jì)算及其應(yīng)用等方面進(jìn)行了前沿概況、比較和分析,對(duì)面向大數(shù)據(jù)的深度學(xué)習(xí)認(rèn)知計(jì)算的挑戰(zhàn)和發(fā)展趨勢(shì)進(jìn)行了總結(jié)、思考與展望.

【文章頁數(shù)】：12 頁

【文章目錄】：
1 深度學(xué)習(xí)數(shù)據(jù)表示
    1.1 基于多模態(tài)的數(shù)據(jù)表示
    1.2 基于張量的數(shù)據(jù)表示
2 深度學(xué)習(xí)認(rèn)知模型
    2.1 深度學(xué)習(xí)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 棧式自編碼器
    2.4 遞歸神經(jīng)網(wǎng)絡(luò)
    2.5 基于張量的深度學(xué)習(xí)模型
    2.6 深度學(xué)習(xí)模型優(yōu)化
3 深度學(xué)習(xí)并行計(jì)算
    3.1 GPU加速
    3.2 數(shù)據(jù)與模型并行
    3.3 深度學(xué)習(xí)計(jì)算集群及其并行應(yīng)用
4 深度學(xué)習(xí)認(rèn)知計(jì)算應(yīng)用
5 深度學(xué)習(xí)認(rèn)知計(jì)算發(fā)展趨勢(shì)的思考
    1) 數(shù)據(jù)表示
    2) 認(rèn)知模型
    3) 并行計(jì)算
    4) 深度學(xué)習(xí)認(rèn)知計(jì)算應(yīng)用
6 結(jié)論



本文編號(hào)：3760879