深度学习应用大盘点
當首次介紹深度學習時，我們認為它是一個要比機器學習更好的分類器。或者，我們亦理解成大腦神經計算。
第一種理解大大低估了深度學習構建應用的種類，而后者又高估了它的能力，因而忽略了那些不是一般人工智能應用的更現實和務實的應用。
最好最自然的理解應該是從人機交互角度來看待深度學習應用。深度學習系統似乎具備近似于生物大腦的能力，因此，它們可以非常高效地應用于增強人類或者動物已經可以執行的任務上。此外，需要重視的一點是，深度學習系統與傳統的符號計算平臺非常不同，正如人類與計算機的計算方式不同一樣，深度學習也是如此。
使用深度學習構建應用甚至可以如我們暢想的科幻小說一般。下面我們來分享基于深度學習開發出來的一些不可思議的應用程序：
盲人看照片
Facebook開發的一個移動應用，可以讓盲人或者視力障礙者像正常人一樣瀏覽照片。
實時語音翻譯
微軟的Skype能夠將語音實時翻譯成不同的語言。
自動回復電子郵件
Google的Mail可以代替您自動回復電子郵件。
目標識別
Moodstocks（已經被Google收購）推出的智能手機圖像識別應用程序Moodstocks Notes，可通過照片識別書籍、CD、海報、傳單和酒標等對象。
照片定位
Google能夠根據照片進行拍攝場景定位。
照片整理
Google相冊可以自動整理分類到常見的主題下面。
分類照片
Yelp可以根據業務分支對照片進行分類。
自動駕駛
自動駕駛技術應該是深度學習領域最為大家所知的應用了。
音樂作曲
可以基于不同的作曲家風格進行音樂組成。
繪畫
可以基于著名的藝術家繪畫風格創建。
新材料
利用深度學習發現新材料。
玩電子游戲
Google DeepMind能夠創建視頻游戲系統，通過觀看游戲學習如何玩得很好。
Go系統
Google DeepMind創建了一個Go播放系統，能夠通過對抗自己來學習新的策略。
臉部識別
這個就無需解釋了。
標題黨
一種RNN訓練，生成吸引眼球的標題。
黑白照片變彩色
將黑白照片自動轉換成彩色：http://richzhang.github.io/colorization/。
文本圖像實時翻譯
Google的一個移動應用，可將照片中的文字翻譯成您可以理解的文字。
鍵盤
Swiftkey正在構建一種移動鍵盤，讓輸入更加簡單方便。
預測未來
看看MIT這些伙計是怎么說的。
三維物體分類
手勢識別
使用不同的手勢，對沒有屏幕的設備進行交互。
拍照自動微笑
SmileVector可以把一張照片的人，自動轉換成微笑的表情的照片。
人類對話
例如Google開發的進行自動對話回復的郵件。
增強現實——臉部追蹤
百度開發的一個應用，能夠基于深度學習技術進行面部追蹤。
倉庫優化
一個深度學習系統，在倉庫中用最佳的方式拿取和放置物品，這種系統明顯快于傳統的研究方法，并且效率更高。
圖片搜索
將圖像進行視覺搜索查詢。
Prosetheses控制
通知腦電圖描記器參與提取記錄中語音混合物在神經轉向聽力假肢中的應用。
流體模擬
利用卷積網絡創建快速且高度逼真的流體模擬。
個性化
亞馬遜使用深度學習技術來驅動其個性化功能。
腦腫瘤檢測
在2013年BRATS測試數據集上的報結果表明，802,368參數網絡比已發布的最先進的技術改進了超過30倍。
省電
Google正在使用DeepMind人工智能子公司的技術，以大幅節省其數據中心的電力功耗。
整理貨架
類似上面的倉庫優化，亞馬遜研究人員基于深度學習技術分析3D掃描，讓機器人對物品進行整理。
攝取街景
Facebook正在利用深度學習技術，從衛星圖像上創建更加準確的地圖。
語音識別
通過聲音進行識別。
紅外彩色化
用戶可以更加快速準確地理解已經被著色的紅外圖像。
3D設計
現實中的3D打印技術。
圖合成
將草圖合成真實的面部圖像。
臨床事件預測
一個RNN訓練，8年時間從來自26萬患者和14805名醫生的EHR數據，該神經網絡進行多標簽預測（每次診斷或藥物類別作為一個標簽），該系統可以執行召回鑒別診斷率高達79%，明顯高于基線。
皮膚評價和建議
使用深度學習來確定客戶的“皮膚年齡”，確定問題領域，并提供旨在解決這些問題的產品方案。
生物信息學
藥物設計，虛擬篩選（VS），定量結構——活性關系（QSAR）研究，蛋白質結構預測和基因組學（和其他組學）數據挖掘。
除了以上列舉的40個應用，作者在原文中還列舉了其它領域基于深度學習的應用，大家可以前往原文查看。
原文：40 Ways Deep Learning is Eating the World?
作者:Carlos E. Perez >?翻譯：Daisy >責編：仲培藝
總結
- 上一篇： AlphaGo、人工智能、深度学习解读以
- 下一篇： 15个深度学习尚未攻克的难题