ディープラーニングの歴史的傾向
ディープラーニングはこれまでに3つの開発の波を経験してきました。
1940年代から1960年代にかけて、ディープラーニングのプロトタイプがサイバネティックスに登場しました。
1980年代と1990年代に、ディープラーニングはコネクショニズムとして現れました
ディープラーニングの名の下に真の復活があったのは2006年のことでした。
いくつかの概念に精通している
データから機能とオレンジタイプのさまざまなアルゴリズムを自動的に学習し、このモデルの外観がルールベースになります。
ディープラーニングは人工知能のどこに適合しますか?
ディープラーニングを理解する
1.ニューラルネットワークの基本単位-ニューロン
数学モデルによってシミュレートされた人工ニューロンでは、すべての樹状突起信号源と関連する強力な計算が処理されます。
計算式は次のとおりです。s=p1w1+ p2w2 + p3w3 + b
第二に、ニューラルネットワークの構造
3.ディープラーニングの概念
ディープニューラルネットワーク(ディープラーニング)は、少なくとも1つの隠れ層、つまり多数の隠れ層を持つニューラルネットワークです。
ディープラーニングと従来の方法の違い
教師あり学習
深層学習における教師あり学習には、畳み込みニューラルネットワーク、リカレントニューラルネットワークなどが含まれます。
教師なし学習
深層学習における教師なし学習には、決定論的オートエンコーダー法、確率的制限付きボルツマンマシンに基づく対照的な発散法などが含まれます。
ディープラーニングの一般的な方法
- オートエンコーダ
- 畳み込みニューラルネットワーク
- リカレントニューラルネットワーク
深層学習教師なしメソッドオートエンコーダ
オートエンコーダは、特徴の次元削減方法として使用できます。
4つのカテゴリを表すために4つの値を使用する場合:
4つのカテゴリを4つの値で表すことはコンパクトではなく、圧縮された表現の可能性があります。たとえば、2つの値はこれらの4つの異なる数値を表すことができます。
深層学習の監視された方法畳み込みニューラルネットワーク
深層学習の監視された方法畳み込みニューラルネットワーク
ディープラーニングへの教師ありアプローチ-リカレントニューラルネットワーク
リカレントニューラルネットワークのソースは、シーケンスの現在の出力と以前の情報との関係を特徴づけることです。ネットワーク構造から、リカレントニューラルネットワークは前の情報を記憶し、前の情報を使用して次のノードの出力に影響を与えます。つまり、リカレントニューラルネットワークの隠れ層の間のノードが接続され、隠れ層の入力には、入力層の出力だけでなく、前の瞬間の隠れ層の出力も含まれます。
傅園慧氏は、「オーストラリアでの訓練は非常に困難であり、私はすでに死にかけている。ただ、死よりも人生の方が優れている」と語った。文字通り怒っているかもしれません。「ゴーストは私が何を経験したか知っている、私は疲れすぎている」、言葉は難しいが、顔の表情や声の感情はそうではないので、それでも要約するのは幸せです。
強化化学、AIphaGo、および転移学習の紹介
強化学習
勉強しないで、テレビを見てください-両親は叱責し、殴ります
一生懸命勉強する-ロリポップに報酬を与える
AIphaGo
転移学習
ディープラーニングのさまざまなアプリケーションシナリオ
セキュリティモニター
スマートシティ
医療健康
スマートホーム
インテリジェントな運用と保守における深層学習の適用方法
インテリジェントな運用と保守の開発プロセス
KPI異常検出アルゴリズム
クラスタリングアルゴリズムと組み合わせたオートエンコーダを使用したKPIの高速クラスタリング
規則的なパターン
鮮やかなモード
珍しいパターン
運用および保守における一般的なKPIデータは、一種の時系列データであり、多くのデータインスタンスと高次元の特性を備えています。データ分析作業のコストを削減し、分析効率を向上させるために、大規模な時系列データ曲線をいくつかのカテゴリに分割し、それによって調査する必要のある曲線の数を減らしたいと考えています。
したがって、大規模な補助KPIにラベルを付け、障害伝播チェーンの構築を支援する必要があります。
LSTMを使用してKPIトレンド予測を行う
最後に書く
近年、AIOps分野の急速な発展を背景に、ITツール、プラットフォーム機能、ソリューション、AIシナリオ、および利用可能なデータセットの緊急のニーズがさまざまな業界で急増しています。**これに基づいて、Cloud Wisdomは2021年8月にAIOpsコミュニティをリリースしました。**オープンソースバナーを構築し、さまざまな業界の顧客、ユーザー、研究者、開発者向けのアクティブなユーザーおよび開発者コミュニティを構築することを目的としています。業界の問題に貢献して解決するこの分野の技術開発を促進します。
コミュニティは、データ視覚化オーケストレーションプラットフォーム(FlyFish、運用および保守管理プラットフォームOMP、クラウドサービス管理プラットフォーム)、Mooreプラットフォーム、Hoursアルゴリズム、およびその他の製品をオープンソース化しています。
ビジュアルオーケストレーションプラットフォーム-FlyFish:
プロジェクトの紹介:https ://www.cloudwise.ai/flyFish.html
Githubアドレス:https ://github.com/CloudWise-OpenSource/FlyFish
Giteeアドレス:https ://gitee.com/CloudWise/fly-fish
業界の事例:https ://www.bilibili.com/video/BV1z44y1n77Y/
いくつかの大画面の場合: