Master
深度学习

深度学习是机器学习的一个分支,使用多层计算节点(被称为神经元)网络,创建一个模仿人类大脑处理信息行为的人工神经网络。

深度学习是一种广受欢迎的技术,用于处理计算机视觉、语音识别、药物设计、癌症诊断、自动翻译、聊天机器人和自动驾驶汽车等领域的任务。

它是什么?

机器学习的一个分支,使用多层神经网络,相较于以前的 ML 模型甚至是人类专家的表现,能够产生更好的结果。

有何益处?

深度学习可以让您训练出更好的模型,使您获得全新洞见,或者通过实现一些任务的自动化来提高生产力。

需考量的因素?

并不是所有数据问题都需要深度学习。要解释模型是如何得出其解决方案也是更为困难的,增加了导致不必要的偏差结果的风险。

如何应用?

深度学习被用于图像分类、文件翻译和自动驾驶车辆等系统中。

它是什么?


深度学习是机器学习的一个分支,使用多层神经网络,相较于以前的 ML 模型甚至是人类专家的表现,能够产生更好的结果。它可以识别数据中的模式,并应用这些模式进行预测。



如今,它被广泛应用,并在诸如特斯拉的自动驾驶汽车、谷歌的翻译和图像搜索以及 AlphaGo(在围棋比赛中击败了人类围棋大师)等游戏引擎领域带来创新。


由于通过云获得的计算能力允许处理更大量的数据并从中学习,人们对深度学习的兴趣日益增长。与传统的数据科学方法相比,深度学习可以解决更复杂的任务,并实现更高的准确度。

有何益处?


深度学习使企业能够提供创新产品和服务——从自动驾驶汽车到个性化的新闻推送。它还可以将一些任务(例如一些客服查询工作)自动化来提高员工生产率,使员工能够肩负起更多可增加价值的工作。

 

深度学习可降低运营成本、提高劳动生产率,并使您能够更快地做出更好的决策。

需考量的因素?


并非每个数据问题都适合采用深度学习。在许多情况下,采用深度学习可能会过犹不及;而在另一些情况下,可能有更好的工具可供使用。

 

深度学习也会产生难以解释的结果。如果用于计算的数据集有错误,或者更糟糕的是有偏差,您得到的结果就会有缺陷。

 

许多当下最佳的深度学习模型都是在定制硬件上进行训练的,有时还在定制硬件上执行,而这会增加运营成本。

 

与其它机器学习工具相比,深度学习模型通常需花费更长时间来训练,而且训练它们所需的数据量也更大。考虑到它们的规模,转移模型(例如从测试环境转移到生产环境)也会耗费大量金钱和时间成本。

如何应用?


深度学习是一个快速发展的领域,所以使用案例的数量一直在增长。也就是说,前沿研究创造了许多进步成果:如某家企业使用的是未经研究证实的深度学习模型,这实属罕见。

 

深层语义模型是用于图像和视频分类以及自然语言处理的概念,其中,计算机系统试图解释人类语言——包括口头和书面语言。它被用于开发游戏智能代理(如国际象棋、围棋、扑克等)以及语音识别智能代理,如 Siri 和其它虚拟助手。

想要获取更多内容?

Would you like to suggest a topic to be decoded?

Just leave your email address and we'll be in touch the moment it's ready.