干货 | 深度学习应用案例简述

微信公众号

关键字全网搜索最新排名

【机器学习算法】：排名第一

【机器学习】：排名第二

【Python】：排名第三

【算法】：排名第四

前言

深度学习擅长识别非结构化数据中的模式，而大多数人熟知的图像、声音、视频、文本等媒体均属于此类数据。 下表列出了我们已知的应用类型及与之相关的行业。本文只是简单介绍深度学习在不同领域的应用状况；另外推荐一篇不错的文章（20个令人惊叹的深度学习应用【Demo+Paper+Code】），链接如下。

https://www.cnblogs.com/czaoth/p/6755609.html

点击阅读原文即可访问

声音

应用类型

行业语音识别UX/UI、汽车、安保、物联网语音搜索手机制造、电信情感分析客户关系管理(CRM)

探伤检测

（引擎噪音）

汽车、航空欺诈检测金融、信用卡

时间序列

应用类型

行业日志分析/风险检测
数据中心、安保、金融企业资源计划
制造、汽车、供应链传感器数据预测分析联网、智能家居、硬件制造商业与经济分析金融、会计、政府推荐引擎电子商务、媒体、社交网络

文本

应用类型

行业情感分析
CRM、社交媒体、声誉管理增强搜索
主题检索
金融
威胁侦测社交媒体、政府欺诈检测保险、金融

图像

应用类型

行业面部识别
平台登陆、政府、电眼图像搜索
社交媒体
机器视觉
汽车、航空
相片聚类
电信、手机制造

视频

应用类型

行业动作检测UX/UI、游戏实时威胁侦测
安保、机场特征内省机场、内安

传统机器学习的优势是能够进行特征内省－即系统理解为什么将一项输入这样或那样分类，这对于分析而言很重要。但这种优势却恰恰导致传统机器学习系统无法处理未标记、非结构化的数据，也无法像最新的深度学习模型那样达到前所未有的准确度。特征工程是传统机器学习的主要瓶颈之一，因为很少有人能把特征工程做得又快又好，适应数据变化的速度。

对于必须进行特征内省的应用情景（例如法律规定，以预测的信用风险为由拒绝贷款申请时必须提供依据），我们建议使用与多种传统机器学习算法相集成的深度神经网络，让每种算法都有投票权，发挥各自的长处。或者也可以对深度神经网络的结果进行各类分析，进而推测网络的决策原理。

原文：https://deeplearning4j.org/cn/use_cases

近期热文

资源 | 26份机器学习视频资源，涵盖入门->中级->项目的各个阶段！（可直接下载......）

机器学习（37）之矩阵分解在协同过滤推荐中的应用

资料 | 美图区域链白皮书（附PDF链接）

手册 | Linux 运维人员最常用 150 个命令汇总

机器学习(36)之协同过滤典型算法概述【精华】

机器学习(35)之PrefixSpan算法原理详解

2017年度盘点：Github上十大有趣的机器学习项目（文末有惊喜......）

广告、商业合作

请添加微信：guodongwe1991

（备注：商务合作）