1樓:
Nature有DL文章,
TOG也有很多DL文章,
到生物學/醫學期刊,也有很多DL文章,
DL滲透各個研究領域,等待它落地,為行業附能。
肯定會存在過度誇大。
2樓:Michael Jackson
自己試試就知道了
3樓:
機器學習是什麼?
是要讓機器讀懂客觀資訊。然而需要人類智慧型的輔助,機器有的是資料製造和運算能力,至於製造什麼資料,怎麼運算資料,需要人類告訴機器,機器才能開始學習,由於機器運算能力超群,學習效率和效果可以非常強悍。
機器學習很強麼?
只要資料夠,運算能力夠,機器學習很強。
機器學習應用廣麼?
所有有機器的地方,都可以用到機器學習。
可期的未來是怎樣?
一切皆有可能。
4樓:李文哲
深度學習一點都不深奧,一點都不神奇,神經網路這個東西20多年前就有過,只是那時候硬體還沒發達訓練不出這種深度模型 (而且當時沒有layer-by-layer pre-training, dropout這些概念)。 它跟人的大腦不是一回事(人的大腦可複雜多了。。)之所以它這麼popular, 是因為這個東西能work!
對於工業界來說能work的東西才是值得追捧的東西, 至於為什麼work, who cares. 至於深度學習的理論層面的東西,很多還是未知的。
深度學習領域有哪些瓶頸?
knnay 很多資料集中大部分都是冗餘資訊。有用資訊只佔整個資料集的很小一部分。如果能夠在深度學習進行特徵學習的過程中,把冗餘資訊自動地剔除掉,就有可能提高深度學習的效果。面向強噪 高冗餘資料的 深度殘差收縮網路 小文 這個問題下的高質量回答已經很多了,我從工程師的角度談一談深度學習應用的瓶頸。尤其...
在影象處理領域,深度學習是否全面代替了傳統的非神經網路的影象識別方法?
開栓要冷藏 深度學習的方法並不是萬能的,比如在大家傳統認為的深度學習強項Direction,有時也會直接用色度圖的方式來實現,簡單快捷,準確率不會差太多。 深度學習讓好多非專業人士找到了識別,分割影象的辦法。但是不了解傳統的影象處理方法是不行的。你會發現基本上除了GPU加速,大部分都是以前的東西,煥...
深度學習在工業工程領域有哪些典型的應用?
不立危牆Amon 主要是機器視覺 缺陷檢測吧?有2d 有3d的。3d壁壘略高。3d手機 汽車精密製造 高鐵製造 飛機葉片製造等。深度學習目前創業公司很多,小程式 智慧型寫作 金 融服務 醫療影像 測序診斷 食品質檢 機器視覺 工業檢測等等,都接觸過一些。純演算法公司能落地的不多,總是測算不到正向現金...