计算机应用2018年投资策略,计算机行业2018年投资策略:从技术到应用,把握AI产业链投资机会.pdf...

[Table_PageTop] 行业深度报告

目录

1. AI 已引爆,关注产业链关键环节 4

1.1. AI 热点已被引爆4

1.2. 2018 年关注AI 产业链关键环节7

1.2.1. ‚深度学习‛技术引爆本轮人工智能热潮7

1.2.2. AI 产业链梳理及2018 年重点关注环节 8

2. 技术爆发正当时,关注高筑壁垒的优质标的 9

2.1. AI 芯片:新的计算时代已开启,AI 芯片百舸争流9

2.1.1. 当前处理器难以满足AI 计算需求 9

2.1.2. GPU—通用芯片,广泛应用于数据中心9

2.1.3. FPGA 技术路线—半定制化,用于企业、军工等要求灵活性场景 11

2.1.4. ASIC 技术路线—全定制化,用于消费电子等高性能功耗比场景 12

2.2. AI 算法:算法设计壁垒较高,强者恒强12

3. 应用遍地开花,关注极具发展潜力的行业应用 14

3.1. 医疗+AI:行业已爆发式增长,应用场景是行业竞争制高点14

3.1.1. 三大因素发力,驱动医疗AI 爆发式增长 14

3.1.1.1. 驱动因素之一——基础牢固:医疗资料的数字化给医疗AI 发展提供基础保障 14

3.1.1.2. 驱动因素之二——时机成熟:技术实现突破,发展医疗AI 时机初步成熟 15

3.1.1.3. 驱动因素之三——动力强劲:资本力推,医疗AI 发展动力强劲 16

3.1.2. 医疗AI 决胜之地:应用场景 17

3.1.2.1. 医疗AI 行业四要素:数据、算法、算力和场景 17

3.1.2.2. 医疗行业规则决定医疗AI 行业将是得场景者得天下 17

3.2. AI+汽车:智能化构建出行新生态18

3.2.1. AI 推动行业发展,构建万亿市场规模 18

3.2.2. 产业链纵深广阔,看好细分领域龙头 21

4. 重点推荐标的 22

4.1. 制霸GPU 市场龙头——英伟达22

4.2. Xilinx :FPGA 市场领导者25

4.3. 深鉴科技:基于FPGA 的AI 芯片研发26

4.4. 商汤科技:机器视觉领域最亮眼的初创企业27

4.5. 麦迪科技(603990 ):急危重症领域龙头企业,具备核心竞争优势28

4.6. 卫宁健康(300253 ):HIS 领域龙头企业,医疗AI 率先布局28

4.7. 四维图新(300253 ):导航地图细分龙头,数据+算法+芯片布局无人驾驶..29

4.8. 中科创达(300496 ):终端操作系统细分龙头,智能终端持续爆发29

5. 风险提示 30

请务必阅读正文后的声明及说明 2 / 31 3024209:39

[Table_PageTop] 行业深度报告

图目录

图 1:2017 年前三季度各行业收入增速(单位:% ) 4

图 2:2012 -2017 年前三季度计算机板块与 A 股、创业板收入增速 5

图 3:2012 -2017 年前三季度计算机板块与 A 股、创业板归母净利润增速 5

图 4:2011 -2017 年前三季度计算机行业收入情况(单位:亿元) 5

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值