服务器 频道

DL的实践变革之路 盘点TOP15的典型应用

  【IT168 资讯】深度学习正在改变我们看待技术的方式。人工智能(AI)及其分支机构(即机器学习(ML)和深度学习)目前有很多值得的兴奋点。

深度学习的实践变革之路 盘点TOP15的典型应用

  凭借大量的计算能力,机器现在可以实时识别对象并翻译语音,人工智能终于变得聪明起来。

  据预测,很多深度学习应用程序将在不久的将来影响你的生活。实际上,它们已经在发挥作用。在未来五到十年内,深度学习开发工具、库和语言将成为每个软件开发工具包的标准组件。

  所以,让我们一起来看一下2018年之后的TOP15深度学习应用。

  1.自驾车

  建立这类型的驾驶辅助服务的公司以及像Google这样的成熟的自动驾驶汽车,需要教导计算机如何接管并使用数字传感器系统,而不是人类感官的关键部件(或全部)。要做到这一点,大多数公司一般都是通过使用大量数据来训练算法开始的。

  你可以想象一下,孩子如何通过不断的经历和复制来学习。这些新服务可能为公司提供意想不到的商业模式。

  2.深入了解医疗保健

  乳房或皮肤癌诊断、移动和监控应用程序或基于生物库数据的预测和个性化医疗,人工智能现在正在完全重塑生命科学、医药和医疗保健行业。人工智能的创新正在以令人难以置信的方式推进精准医学和人口健康管理的未来。计算机辅助检测、定量成像、决策支持工具和计算机辅助诊断将在未来几年发挥重要作用。

  3.语音搜索和语音激活助理

  语音搜索和语音激活智能助理是深度学习最受欢迎的使用领域之一。随着科技巨头已经在这个领域进行了大量投资,我们可以在几乎所有智能手机上都可以找到语音激活助理。苹果公司的Siri自2011年10月开始上市,Google Now是语音激活的Android助手,它是在Siri发布后不到一年的时间内推出的。最新的声控智能助手是Microsoft Cortana。

  4.自动将声音添加到无声电影

  在这项任务中,系统必须合成声音以匹配无声视频。该系统使用1000个视频示例进行训练,鼓棒的声音触击不同的表面,创建出不同的声音。深度学习模型将视频帧与预先重新录制的声音数据库相关联,以便选择最适合与场景中正在发生的事件相匹配的声音。

  然后使用图灵测试评估系统,就像人类必须确定哪个视频具有真实或假的(合成)声音一样。

  这使用了卷积神经网络和长期短期记忆(LSTM)递归神经网络(RNN)。

  5.自动机器翻译

  这是一个用一种语言给出单词、短语或句子的任务,会自动将其翻译成另一种语言。

  自动机器翻译已经存在了很长一段时间,但深度学习在两个特定领域取得了非常好的成果:

  ·文本自动翻译

  ·图像自动翻译

  可以在不对序列进行任何预处理的情况下执行文本翻译,从而允许算法学习单词之间的依赖关系以及它们与一种新语言的映射关系。

  6.自动文本生成

  这是一个有趣的任务,在这里学习文本的语料库,并从这个模型中产生新的文本,逐字或逐字。

  该模型能够学习如何拼写,标点,形成句子,甚至可以捕捉文本中文本的风格。大循环神经网络用于学习输入字符串序列中项目之间的关系,然后生成文本。

  7.自动手写生成

  这是一个任务,其中给出一系列手写示例,为给定的单词或短语生成新的手写。

  笔迹被提供为创建手写样本时由笔使用的一系列坐标。从这个语料库中,笔运动和字母之间的关系被学习,然后生成了新的例子。

  8.图像识别

  深度学习的另一个热门领域是图像识别。它旨在识别图像中的人物和物体,并了解其内容和上下文。图像识别已被用于游戏、社交媒体、零售、旅游等多个领域。

深度学习的实践变革之路 盘点TOP15的典型应用

  该任务需要将照片内的对象分类为一组先前已知的对象之一。称为对象检测的这项任务的更复杂的变化涉及具体识别照片场景中的一个或多个对象,并围绕它们画一个盒子。

  9.自动生成图像标题

  自动图像字幕是给定图像的任务,系统必须生成描述图像内容的标题。

  2014年,深度学习算法爆炸式增长,在这个问题上取得了令人印象深刻的结果,利用优异模型的工作来进行物体分类和照片中的物体检测。

  一旦您可以检测到照片中的物体并为这些物体生成标签,就可以看到下一步是将这些标签变成连贯的文字描述。

  通常,这些系统涉及使用非常大的卷积神经网络在照片中进行物体检测,然后使用像Long Long-term Memory(LSTM)这样的递归神经网络(RNN)将标签变成连贯的句子。

  10.自动着色

  图像着色实际上就是为黑白照片添加颜色的问题。可以使用深度学习来对照片中的对象及其上下文来为图像着色,就像人类操作员可能会解决的问题一样。这种能力是利用了为ImageNet训练的高质量和非常大的卷积神经网络。一般来说,该方法涉及使用非常大的卷积神经网络和监督图层,通过添加颜色来重新创建图像。

  11.广告

  广告是深度学习改变的另一个关键领域。它已被发布商和广告商用来增加广告的相关性,并提高其广告活动的投资回报率。例如,深度学习使广告网络和发布商可以利用他们的内容来创建数据驱动的预测性广告,包括其广告的实时出价(RTB)、精确定位的展示广告等等。

  12.预测地震

  哈佛大学的科学家使用深度学习来教授计算机执行粘弹性计算,这些是用于预测地震的计算。在他们的论文之前,这样的计算是非常密集的,但是这种深度学习的应用程序将计算时间缩短了50,000%。在计算地震时,时间安排非常重要,而且这种改进对挽救生命至关重要。

  13.脑癌检测的神经网络

深度学习的实践变革之路 盘点TOP15的典型应用

  一组法国研究人员指出,在手术过程中发现侵入性脑癌细胞很困难,部分原因是受手术室照明的影响。他们发现,在手术过程中使用神经网络和拉曼光谱可以使他们更容易地检测癌细胞,并减少手术后残留的癌症。事实上,这件作品是过去几周内众多与各种癌症和筛查仪器进行高级图像识别和分类相匹配的作品之一。

  14.金融中的神经网络

  自过去四十年发达国家和发展中国家成立以来,期货市场取得了惊人的成功。这一成功归功于期货为市场参与者提供的巨大杠杆作用。本研究通过使用资本资产定价模型(CAPM)和持有成本关系分析了一种交易策略,该策略受益于这种杠杆效应。该团队使用基于CAPM套期保值比率的期货市场价格应用现货市场价格制定的技术交易规则。用于分析十个市场(五个发达市场和五个新兴市场)中每一个市场的二十只股票的历史每日价格。

  15.能源市场价格预测

  西班牙和葡萄牙的研究人员已将人工神经网络应用于能源电网,以预测价格和使用率波动。该地区的日常市场和日内市场在每天的会议中进行,在那里进行次日销售和电力购买交易,并在六个日常会议中考虑能源供应和需求,这些会议可能在固定每日可行性时间表之后的几个小时内出现在每日会议之后。简而言之,能够根据消费和可用性模式做出充分的预测,从而获得更高的效率和成本节省。

0
相关文章