蛋播视频一区,无码鲁丝一区二区,精品 久久 五月天,国产老熟女,五月草草在线观看,中文日韩欧美,情色一区二区三区,欧美日韩亚洲激情在线,亚洲制服在线香蕉

6月6日，由上海國家會計學院與中興新云、元年科技、浪潮集團、用友集團、金蝶集團等聯(lián)合主辦的“信息技術驅動行業(yè)財務變革”高峰論壇暨2021年影響中國會計人的十大信息技術評選結果發(fā)布會在上海國家會計學院順利舉行。

針對本次由188位專家評選出的潛在影響中國會計從業(yè)人員的五大信息技術，本次論壇邀請五位嘉賓從信息技術的內(nèi)涵、發(fā)展趨勢、可能出現(xiàn)的產(chǎn)品、可能的應用場景、學習建議等維度進行深入分析，通過前瞻性的探討，展望對會計從業(yè)人員產(chǎn)生的影響方式和范圍。對此，本次評選專家、中國會計學會會計信息化專業(yè)委員會委員、山西財經(jīng)大學副教授續(xù)慧泓對深度學習與智能決策進行了全面介紹。

概念釋義

理解深度學習需要從人工智能、機器學習的概念入手。上世紀四五十年代，圖靈賦予人工智能一個非常簡單的判斷條件：當與機器對話時，無法分辨對面是機器還是人，這就是人工智能。人工智能的核心是如何讓計算機像人一樣思考。

和人工智能密切相關的概念是機器學習，機器學習是一種實現(xiàn)人工智能的方法，讓計算機理解人類的行為，理解人類的數(shù)據(jù)，并且產(chǎn)生它的結果。深度學習，是機器學習的子集，是一種實現(xiàn)機器學習的技術。

從相關概念的發(fā)展演進來看，20世紀60年代進入了人工智能的推理時期，推理時期是指將程序語言形成計算機代碼，讓機器具備邏輯推理能力，從而使計算機擁有智能，幫助人類進行有關的邏輯推理。

20世紀70年代進入知識時期，知識時期是指把人類獲得知識轉化成規(guī)則，通過規(guī)則應用讓計算機具有智能。典型的應用包括專家系統(tǒng)、決策支持系統(tǒng)等。

20世紀80年代末真正進入機器學習時期，神經(jīng)網(wǎng)絡的出現(xiàn)標志了機器學習概念的誕生，通過各神經(jīng)元連接模擬人類各節(jié)點的思維過程進行相應決策。由于當時計算機的計算能力、存儲能力、網(wǎng)絡能力都不足以支持這么復雜的運算，神經(jīng)網(wǎng)絡的概念興起后并沒有得到廣泛的應用，90年代更多集中在統(tǒng)計學習，包括各類描述性統(tǒng)計、分析指標。2006年深度學習的概念又在機器學習的概念之上引申一步，機器不僅能夠從海量的數(shù)據(jù)當中發(fā)現(xiàn)規(guī)則，而且能夠自己推導出規(guī)則。

隨著數(shù)據(jù)量暴漲和計算能力大幅提升，深度學習應用日趨成熟。

人工智能、機器學習、深度學習三者之間的關系也逐漸清晰。人工智能通過各類專家系統(tǒng)、機器學習、進化計算等方式，達到讓計算機代替人進行思考分析的目標。機器學習是一類方法，用于支持人工智能目標的實現(xiàn)，包括監(jiān)督學習、半監(jiān)督學習、無監(jiān)督學習。監(jiān)督學習是根據(jù)已有的數(shù)據(jù)集，知道輸入和輸出結果之間的關系。無監(jiān)督學習是不知道數(shù)據(jù)集中數(shù)據(jù)、特征之間的關系，需要根據(jù)聚類或一定的模型得到數(shù)據(jù)之間的關系。深度學習更多的是解決無監(jiān)督學習的問題。深度學習中應用到的技術在神經(jīng)網(wǎng)絡的基礎上進一步發(fā)展，如卷積神經(jīng)網(wǎng)絡、深度置信網(wǎng)絡等。

機器學習與一般程序存在一定區(qū)別。一般程序的處理是根據(jù)提供的規(guī)則和數(shù)據(jù)推導答案?；谝话愕某绦蛱幚?，能夠實現(xiàn)的目標是清晰規(guī)則環(huán)境下的自動化。機器學習的邏輯思路是基于海量數(shù)據(jù)的輸入與已觀測到的結果或者是行為進行比對，發(fā)現(xiàn)的數(shù)據(jù)如何支持得到的結果，推導出規(guī)則。機器學習核心問題是發(fā)現(xiàn)問題數(shù)據(jù)內(nèi)在的規(guī)律，找到其中的規(guī)則。如果使用了高階神經(jīng)網(wǎng)絡算法，則稱為深度學習。因此，機器學習解決的問題是實現(xiàn)智能化。

機器學習有三個要素，數(shù)據(jù)、預期結果、學習。

數(shù)據(jù)來自于外部輸入的海量數(shù)據(jù)，包括結構化數(shù)據(jù)、非結構化數(shù)據(jù)。預期產(chǎn)生的結果往往是一種可觀測、可記錄的行為結果，形式可以是標簽、模式、行為、結果等。學習本質上是衡量算法效果好壞的方法。這一衡量方法是為了計算算法的當前輸出與預期輸出的差距。衡量結果是一種反饋信號，用于調(diào)節(jié)算法的工作方式，輸入和輸出不斷地接近目標意味著越接近規(guī)則。

深度學習的原理實際上模擬了人腦對生物識別的過程。例如模擬人類看見圖片的過程。首先是視覺捕獲，捕捉一些特征，如發(fā)現(xiàn)邊緣和方向。其次識別形狀，將識別到的形狀進行組合，每進行一次組合就與結果進行比對，經(jīng)過多次比對完成圖像識別。從系統(tǒng)的角度，識別就是通過對不同特征的層層捕獲，根據(jù)捕獲到的數(shù)據(jù)抽象特征，給特征富余權重，特征和權重的乘積代表判斷事物發(fā)展的方向，然后進行不同的組合，得到最優(yōu)化的結果。這就是深度學習的基本原理。

深度學習的基本原理可以概括成五個步驟。

首先是低層次的感知，對應到場景中，可能運用視覺識別、聲音識別、文字識別等技術。通過識別捕獲全量、海量信息，進行數(shù)據(jù)預處理，剔除無用的信息，降低計算量。處理完成后進行特征提取，判斷基本特征值，再進行特征選擇，將特征進行組合排列，最后抽象出規(guī)則，用于后期的推理和預測。

相關問題

深度學習能解決不確定、模糊、動態(tài)、復雜、海量數(shù)據(jù)的決策支持。其中有一些需要注意的情況，第一，深度學習解決的是復雜問題的決策。動態(tài)、模糊、不確定、規(guī)則不清晰、簡單問題用其他方法可能更好的解決。第二，深度學習需要海量數(shù)據(jù)作為輸入數(shù)據(jù)參與訓練，樣本量越大，越有利于得到好的結果。第三，財務領域決策與管理的不確定性，需要深度學習的支持完成決策。深度學習應用場景目前主要集中在語音識別、圖像識別、模式識別、智能搜索、個性化推薦、機器翻譯、自然語言處理等，相關應用的準確性取決于特征捕獲的明顯性、算法的準確性等因素。

深度學習發(fā)展至今也產(chǎn)生了一些值得思考的問題。

一是算法黑箱，復雜的計算過程，海量的數(shù)據(jù)，計算過程不被人類識別，并不能幫助人類完全識別內(nèi)在的規(guī)律，可以發(fā)現(xiàn)規(guī)律，但是解釋不了規(guī)律。

二是算法強制，過度的依賴算法，算法不斷產(chǎn)生正向激勵，帶來算法強制，進入認知或執(zhí)行的誤區(qū)。

三是人機協(xié)同，如何處理好人機關系，讓人與智能設備、智能算法和諧相處，以及由此產(chǎn)生的激勵機制。

四是算法倫理以及如何處理相關道德問題。

未來展望，系統(tǒng)一定會從弱人工智能階段過渡到強人工智能階段，所謂強人工智能就是讓系統(tǒng)具備了感知、識別和情感的能力。

（本文系根據(jù)“信息技術驅動行業(yè)財務變革”高峰論壇演講錄音整理）