乾貨 | 深度學習應用案例簡述
微信公眾號
關鍵字全網搜索最新排名
【機器學習演算法】
：排名第一
【機器學習】
：排名第二
【Python】
：排名第三
【演算法】
：排名第四
前言
深度學習擅長識別非結構化數據中的模式，而大多數人熟知的圖像、聲音、視頻、文本等媒體均屬於此類數據。 下表列出了我們已知的應用類型及與之相關的行業。本文只是簡單介紹深度學習在不同領域的應用狀況；另外推薦一篇不錯的文章（
20個令人驚嘆的深度學習應用【Demo+Paper+Code】
），鏈接如下。https://www.cnblogs.com/czaoth/p/6755609.html
點擊閱讀原文即可訪問
聲音
應用類型
行業
語音識別
UX/UI、汽車、安保、物聯網
語音搜索
手機製造、電信
情感分析
客戶關係管理(CRM)
探傷檢測
（引擎噪音）
汽車、航空
欺詐檢測
金融、信用卡
時間序列
應用類型
行業
日誌分析/風險檢測
數據中心、安保、金融
企業資源計劃
製造、汽車、供應鏈
感測器數據預測分析
聯網、智能家居、硬體製造
商業與經濟分析
金融、會計、政府
推薦引擎
電子商務、媒體、社交網路
文本
應用類型
行業
情感分析
CRM、社交媒體、聲譽管理
增強搜索
主題檢索
金融
威脅偵測
社交媒體、政府
欺詐檢測
保險、金融
圖像
應用類型
行業
面部識別
平台登陸、政府、電眼
圖像搜索
社交媒體
機器視覺
汽車、航空
相片聚類
電信、手機製造
視頻
應用類型
行業
動作檢測
UX/UI、遊戲
實時威脅偵測
安保、機場
特徵內省
機場、內安
傳統機器學習的優勢是能夠進行
特徵內省
－即系統理解為什麼將一項輸入這樣或那樣分類，這對於分析而言很重要。但這種優勢卻恰恰導致傳統機器學習系統無法處理未標記、非結構化的數據，也無法像最新的深度學習模型那樣達到前所未有的準確度。特徵工程是傳統機器學習的主要瓶頸之一，因為很少有人能把特徵工程做得又快又好，適應數據變化的速度。對於必須進行特徵內省的應用情景（例如法律規定，以預測的信用風險為由拒絕貸款申請時必須提供依據），我們建議使用與多種傳統機器學習演算法相集成的深度神經網路，讓每種演算法都有投票權，發揮各自的長處。或者也可以對深度神經網路的結果進行各類分析，進而推測網路的決策原理。
原文：https://deeplearning4j.org/cn/use_cases
近期熱文
資源 | 26份機器學習視頻資源，涵蓋入門->中級->項目的各個階段！（可直接下
載......）
機器學習（37）之矩陣分解在協同過濾推薦中的應用
資料 | 美圖區域鏈白皮書（附PDF鏈接）
手冊 | Linux 運維人員最常用 150 個命令匯總
機器學習(36)之協同過濾典型演算法概述【精華】
機器學習(35)之PrefixSpan演算法原理詳解
2017年度盤點：Github上十大有趣的機器學習項目（文末有驚喜......）
廣告、商業合作
請添加微信：guodongwe1991
（備註：商務合作）
