智能大数据与深度学习

　　本书是一本原创性的学术专着，分为两部分，第一部分介绍智能大数据与深度学习的理论方法；第二部分介绍智能大数据与深度学习的应用实践。本书的原创性在于提出、研究并给出了12种智能大数据与深度学习的新理论、新方法和新应用。
　　本书适合作为高等院校计算机、大数据专业高年级本科生、研究生的参考用书，同时适用于高等院校、科研院所及企事业单位人员的科研及教学用书。

　　本书是一本原创性的学术专着，分为两部分，第一部分介绍智能大数据与深度学习的理论方法；第二部分介绍智能大数据与深度学习的应用实践。本书的原创性在于提出、研究并给出了12种智能大数据与深度学习的新理论、新方法和新应用。本书可作为高等院校、科研院所和企事业单位的科研及教学用书。

　　朱定局，华南师范大学计算机学院教授。主要从事大数据、人工智能方向的研究。现任计算机应用系主任、智慧计算科学研究所所长。中国计算机学会高级会员、国家自然基金委、广东省科技厅等评审专家，出版多部着作。

内容简介
前言
第一部分 理论方法
第1章 增强型深度学习神经网络
第2章 高效智能型深度学习神经网络
第3章 动态智能型深度学习神经网络
第二部分 应用实践
第4章 深度学习的大数据智能计算应用
第5章 深度学习的大数据智能诊断应用
第6章 深度学习的大数据智能预测应用
结束语
参考文献

　　因为AlphaGo战胜了人类围棋冠军，深度学习一举成名，再加上BAT、谷歌等国内外知名公司的推崇，深度学习的热浪一波高过一波。深度学习之所以能使神经网络重新受到学者的青睐，主要是因为它用非监督式或半监督式的特征学习和分层特征提取高效算法，替代了手工获取特征，从而使过去被废弃的大量非标签数据得到利用。更重要的是，这也使深度学习的深度得到了极大增加，从而提高了深度学习的处理能力。深度学习虽然是一个初生儿，但地位极高，因为其前身是具有悠久历史的神经网络。20年前，在我上大学期间，就有神经网络的课程。由于深度学习发展时间较短，所以不论在理论上还是在应用上，它都存在很多盲点和缺陷，都需要开拓、创新、完善和升级。
　　深度学习的春雨过后，无人驾驶、图像识别等人工智能相关应用，如雨后春笋般层出不穷。随着应用的深度发展，其理论研究也在如火如荼地进行。很多企业和高校已经成立了深度学习的研究中心或小组，专门研究深度学习的相关理论和应用，同时，深度学习的培训课程也在国内外掀起了热潮，但其困境是，关于深度学习理论和应用的相关着作仍然比较缺乏。
　　在深度学习之前，大数据已经火热了几年，深度学习的出现为大数据智能处理提供了一个新的出路。深度学习只有基于大数据才能发挥威力，才能达到很高的准确度。而大数据在应用了深度学习之后，所能达到的处理效果也是传统算法无法企及的。可以说，两者相得益彰、相互促进、互利共赢。
　　本书可以作为学习和研究深度学习的参考用书，其中，理论部分可以用于完善现有深度学习方法的不足，为理论创新奠定基础；应用部分可以为企业提供更多深度学习应用的新思路和新方案，进而使深度学习在实践中产生更大的价值。
　　本书的所有章节都是作者原创性的研究成果。本书内容的原创性在于：首次提出并研究给出了两种增强型深度学习神经网络方法及应用，包括基于顶层生成深度学习的数据转换方法和系统，基于双向深度学习的数据对应关系判断、生成方法和系统；首次提出并研究给出了两种高效智能型深度学习神经网络方法及应用，包括精简输入的深度学习方法和系统，基于数据分割的深度学习方法和系统；首次提出并研究给出了两种动态智能型深度学习神经网络方法及应用，包括基于有向图的深度学习构建方法和系统，深度学习神经网络训练方法及层数调整方法和系统；首次提出并研究给出了两种深度学习的大数据智能计算应用，包括基于大数据与深度学习的信息隐藏、提取方法和系统，基于大数据与深度学习的婚恋对象匹配数据处理方法和系统；首次提出并研究给出了两种深度学习的大数据智能诊断应用，包括基于深度学习的面向自动诊断的医疗数据处理方法和系统，基于双深度学习的数据处理方法和疾病诊断装置；首次提出并研究给出了两种深度学习的大数据智能预测应用，包括基于大数据与深度学习的气象预报方法和系统，基于大数据与深度学习的用户数据处理方法和系统。
　　本书选取的是人工智能的前沿领域和热点领域——深度学习，并将其与各个应用领域进行了交叉创新。在交叉创新的过程中，发现和改进了现有深度学习理论的不足，同时拓展了现有深度学习应用的范围，进而实现了深度学习技术从理论到应用的创新。
　　本书的特色在于，以深度学习应用牵引深度学习理论的创新，同时以深度学习理论的创新促进深度学习应用的创新。本书在深度学习与各行各业之间进行了大胆的交叉创新，从而使深度学习技术更智能、更普适、更精准、更强大，加速深度学习智能应用的发展。当然，深入后必能浅出，读者也能通过本书，学习到深度学习的新理论和新应用，加深对现有深度学习技术的理解。

　　循环神经网络（Recurrent Neural Networks，RNNs）是深度学习家族中的一员[22-26]，擅长解决序列化相关的问题，与传统深度学习模型不同的是，传统深度学习模型是从输入层到隐层再到输出层，层与层之间是全连接的，而每层之间的节点是无连接的，即输入节点与输入节点之间是无连接的，隐层节点与隐层节点之间也是无连接的。而循环神经网络中一个序列当前的输出与前面的输出有关，即隐层的节点之间不再是无连接的，而是有连接的。
　　传统技术中，循环神经网络只能对简单的时序序列进行处理，当遇到更为复杂的时空关系及其他关系形成的序列时，就无法处理，因为循环神经网络只能处理简单的序列，限制了深度学习及深度学习在面对复杂的序列的应用。
　　本节针对技术现状中存在的问题，提供了一种解决复杂时序序列无法在深度学习中应用的深度学习构建方法、装置、系统和存储介质。
　　上述深度学习构建方法、装置、系统和存储介质，通过获取初始深度学习神经网络的所有输入节点对应的输入变量之间的连接关系，得到有向图，确定各个输入节点与待改造隐层的隐层节点之间的匹配关系，根据有向图的匹配关系确定待改造隐层的各个隐层节点之间的连接。通过对初始深度学习神经网络的隐层进行改造，将其隐层的隐层节点之间的拓扑结构采用能体现输入节点对应的输入变量的有向图来代替，得到目标深度学习神经网络。因为有向图能够体现输入变量之间的复杂序列关系，因此最终得到的目标深度学习神经网络能够处理类似有向图中的复杂序列关系。