深度学习还不能解决什么问题?

最新推荐文章于 2023-10-25 07:40:00 发布
最新推荐文章于 2023-10-25 07:40:00 发布
阅读量2.1k 收藏
点赞数
分类专栏： 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/starzhou/article/details/72614822
版权

深度学习还不能解决什么问题?
       大数据，云计算，度学习的崛起,诞生了一批又一批的好想法和产品。 还有,好的产品是成功的一半。而且,好的商业模式就意味这成功了另一半。

       但是最后还要落到实处。执行力助推风口? 那么风口是什么,商业模式又是什么呢?


AI周红伟
关注
专栏目录
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 25万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
测试数据科学家深度学习基础知识的 45 个问题（以及解决方案）
最新发布
gongdiwudu的专栏
07-19 7419
早在2009年， 深度学习还只是一个新兴领域。只有少数人认为这是一个富有成效的研究领域。今天，它被用于开发应用程序，这些应用程序在一段时间前被认为是困难或不可能做到的。语音识别、图像识别、在数据集中查找模式、照片中的对象分类、字符文本生成、自动驾驶汽车等等只是其中的几个例子。因此，熟悉深度学习及其概念非常重要。
深度学习解决方法及问题汇总
雾角
03-01 1134
深度学习分类问题 1.分类基本内容 A二分类Binary Classification 1）非线性Non-Linearity Sigmoid:h(θ)=11+e−θTX Sigmoid: h(\theta) = \frac{1}{1+e^{-\theta^TX}} Sigmoid:h(θ)=1+e−θTX1​ 2）损失函数Loss 使用交叉熵函数： CrossEntropy:H(p,q)=−∑ip...
深度学习无法解决的问题，只有强化学习才能解决
热门推荐
东方佑
10-31 16万+
从理论上讲，深度学习只不过是一个数学模型并没有任何的智能 和经典物理一样的固定 而智能是量子物理一样的神奇，也就是说一个人调整了自己的位置 同时也改变了自己相对空间的位置 同理反论 一个深度学习模型参数固定了，还怎么有相对参数，所以 深度学习不是智能 所以深度学习无法解决所有的问题， 但是人们忽略了，位置的测量方法是不变的，只要我们掌握了测量方法，就不用理解世界的本质，一样可以很好的解决问题 就如...
深度学习做不了什么事
Peter的博客
02-07 2万+
本文源自一次讨论深度学习缺陷的推文风暴，斯坦福大学的Bharath Ramsundar，在用深度学习进行药物研究的过程中发现，深度学习做不到事情其实有很多，比如无法鉴别对抗样本、处理不好高维数据、不能一边训练一边推断……尽管如此，我还是怀疑深度神经网络不足以实现通用人工智能，当然，这可能只是我的偏见，事件上的专家可能是预测上的菜鸟，我们花了太多时间钻研技术。6．在实际应用中，要考虑关键影响者检测的问题。3．深度学习方法在处理条件约束方面的效果也不佳，不能像线性规划方法那样，能快速找到满足约束的解决方案。
对深度学习的认知 -- 深度模型可以解决什么问题
ouprince
07-12 4591
在跟深度模型打交道的过程中，使用 DNN 解决了一些分类的问题。目前 DNN 好像是非常流行的一种学习方法。但是，如果要问我什么是 DNN，DNN 到底为什么这么受欢迎，它到底有哪些优势？以下是我个人的一些看法和回答。 1.什么是 DNN？ 对于这个问题，我觉得 DNN 就是利用多层抽象表示概念和特征的一种方法。 如图，隐藏层就是 DNN 的秘密所在，它模拟的是人体神经元的传输机制。加权...
深度学习的现状与边界、没有很好解决的问题
bluewelkin的专栏
11-21 3226
神经网络是一门重要的机器学习技术，也是目前最为火热的研究方向，即深度学习的基础。石大明教授首先详细分析了人工智能两大学派：符号主义与连接主义，紧接着又讲述了机器学习的两大方法：有监督学习和非监督学习，循序渐进。 神经网络发展包含四个里程碑，分别是感知器、多层感知器、支持向量机、深度学习，并对神经网络中的难点进行了分析。他提出，深度学习在神经网络发展中的地位实质是靠强大的计算和存储能力进行搜索而完...
Keras深度学习实战（6）——深度学习过拟合问题及解决方法
盼小辉丶的博客
05-04 6805
过拟合是在训练数据上能够获得很好的性能， 但是在训练数据外的数据集上却不能很好地拟合数据。本文中，我们介绍了过拟合问题出现原因以及解决过拟合的常用的几种解决方法。
AIGC实战——深度学习 (Deep Learning, DL)
盼小辉丶的博客
10-25 5万+
深度学习 (Deep Learning, DL) 是贯穿所有生成模型 (Generative Model) 的共同特征，几乎所有复杂的生成模型都以深度神经网络为核心，深度神经网络能够学习数据结构中的复杂关系，而不需要预先提取数据特征。在本节中，我们将介绍深度学习基本概念，并利用 Keras 构建深度神经网络。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
盼小辉丶的博客
05-28 6万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
【深度学习卡住了】技术缺陷根本无法解决，算法领域没有重大突破
weixin_33950035的博客
03-26 554
我们被卡住了，或者至少我们处于瓶颈期。 谁还记得算法、芯片或数据处理领域上一次整整一年都没有重大、显著的进步是啥时候？几周前我参加Strata圣何塞大会，却没有看到引人注目的新进展，这太不同寻常了。 我之前报道过，我们似乎进入了成熟期，现在我们的主要精力是确保所有强大的新技术很好地协同工作（融合平台），或者从那些大规模的风险投资获得回报。 并非只有我一人...
崇志宏：深度学习到底解决了什么问题？ 东南大学
chognzhihong_seu的博客
06-13 3507
东南大学 数据与智能实验室  在筹划假期的研讨班，经过反复考虑，还是把主题确定为：认知计算与数据处理的联结主义的套路。联结主义的讨论解决了什么问题呢？解决了symbol grounding问题！使得符号方法中的符号能够有物理世界的语义解释，符号演算对应物理世界的过程。 在技术层面上，深度模型解决了高维空间的推理和学习问题：产生网络和推理网络以及variational lower bo
深度学习如何解决各类科学问题
小山山的博客
05-22 2730
深度学习如何解决各类科学问题   本文主要是笔者对于”深度学习为何能适用于各个学科领域”的一点思考和整理，由于个人认知和理解有限，存在一些不全面和不对的地方，还望读者们见谅，批评指正。 导语：近些年，深度学习已经成为各个学科领域的重要研究手段和工具；这些领域有哪些？为什么深度学习能普遍适用？我们应该如何使用深度学习这一技术？ 目录1. 深度学习的应用领域1.1 自然语言处理1.2 计算机视觉1.2.1计算光学成像1.3 推荐系统1.4 决策分析1.5 生物化学2. 为什么深度学习能普遍适用于各种学科问题？.
你知道哪些情况下不该使用深度学习吗？
CSDN业界要闻
10-05 687
深度学习不适用于什么样的任务？依我之见，以下这些主要场景的深度学习弊大于利。01低成本或者低承诺问题深网是非常灵活的模型，有着许多架构和节点类型，优化器和正则化策略。根据...
深度学习解决的问题
qq_40008456的博客
06-03 887
结构化数据：符合属性 - 数值结构的数据，且每个样本有相同的属性。 半结构化数据：符合属性 - 数值结果的数据，但并不要求每个样本有相同的属性。 非结构化数据：不符合属性 - 数值结构的数据，如文本、图像、音频/视频信息等。 特征的提取 自动特征提取 深度学习与传统模式识别方法最大的不同在于它能够自动提取特征 深度学习细分领域 ...
深度学习要解决的问题以及神经网络相关知识
陌上花开，静待绽放！
06-29 515
深度学习 机器学习流程：图像分类 计算机视觉： 图像分类任务 图像表示：计算机眼中的图像 一张图片被表示成三维数组的形式，每个像素的值从0到255 例如：3001003 计算机视觉面临的挑战： 1.照射角度 2.形状改变 计算机视觉面临的挑战： 1.部分遮蔽 2.背景混入 机器学习常规套路： 1.收集数据并给定标签 2.训练一个分类器 3.测试，评估 K近邻算法： 数据：两类点方块和三角 绿色的点属于方块还是三角呢？ K = 3还是K =5？结果一样吗？ 答：得到的结果完全不一样。 K近邻计算流程：
1-深度学习要解决的问题
ruoruoruo666的博客
09-13 668
特征工程是机器学习数据准备过程中的核心任务，主要是通过变换数据集的特征空间，从而提高数据集的预测建模性能。（3）算法与参数选择决定了如何逼近这个上限。（1）数据的特征决定了模型的上限。深度学习也是机器学习的一部分。（2）预处理和特征提取是核心的。
深度学习机器学习目标检测
06-30 976
一、目标检测 1.深度学习开发流程 2.应用案例 3.目标检测算法基本流程 二．机器学习 1.机器学习算法能解决那些问题 分类问题：图像识别，垃圾邮件识别 回归问题：各种预测（房价，天气，股价等等） 排序问题：推荐，点击率排序 生成问题：图像生成，图像风格转换，图像文字描述生成 2.机器学习实现流程 3.深度学习算法集合 卷积神经网络:卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数..
深度学习：实际问题解决指南
技术博客
11-19 5432
深度学习拥有解决大部分机器学习和人工智能领域问题的潜力，可以用来解决诸如语音识别、三维物体识别和自然语言处理等领域的难题。本文介绍了深度学习在解决实际问题中存在的优势与缺点。
SphereNet：深度学习解决全向图像失真问题
"SphereNet: 一种通过深度...SphereNet是一个开创性的框架，它解决了全向图像处理的关键问题，为全向成像在计算机视觉领域的广泛应用铺平了道路，同时也为未来深度学习在处理非平面数据结构方面的研究提供了新的思路。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI周红伟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值