干货 | 深度学习应用案例简述

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