深度學(xué)習(xí)行業(yè)應(yīng)用前景 深度學(xué)習(xí)行業(yè)發(fā)展趨勢(shì)分析

• 2022年11月22日 ZhouXun來(lái)源：互聯(lián)網(wǎng) 476 25
• 繁體

一是關(guān)注真實(shí)課堂條件下深度學(xué)習(xí)與學(xué)生素養(yǎng)發(fā)展的實(shí)證研究;二是從個(gè)別具體操作策略的探討轉(zhuǎn)向?yàn)橐话慊僮髂Ｊ降慕?gòu);三是從單純關(guān)注深度學(xué)習(xí)的技術(shù)性支持轉(zhuǎn)向?yàn)榍榫承缘沫h(huán)境支持系統(tǒng)設(shè)計(jì)。深度學(xué)習(xí)研究又呈現(xiàn)出兩個(gè)較為明顯的特點(diǎn)。

深度學(xué)習(xí)本質(zhì)上是一種新興的機(jī)器學(xué)習(xí)算法，其基本模型框架是基于ANN的，如含有多隱層的感知器。

深度學(xué)習(xí)行業(yè)應(yīng)用前景 深度學(xué)習(xí)行業(yè)發(fā)展趨勢(shì)分析

其可以通過(guò)對(duì)數(shù)據(jù)的底層特征進(jìn)行學(xué)習(xí)從而得到更加抽象的隱藏特征，從而特到數(shù)據(jù)的分布式規(guī)律，進(jìn)而預(yù)測(cè)或分類(lèi)數(shù)據(jù)。深度學(xué)習(xí)是一種學(xué)習(xí)數(shù)據(jù)表征的算法，它可以從無(wú)規(guī)律、抽象的觀測(cè)值即輸入值中學(xué)習(xí)到數(shù)據(jù)的隱藏特征，比如CNN算法通過(guò)輸入的圖片像素點(diǎn)RGB值可以學(xué)習(xí)到圖片的內(nèi)部特征，例如圖片中的實(shí)體、數(shù)字等。深度學(xué)習(xí)的好處是其用高效的特征提取算法替代了原始的手工獲取特征的手段。

深度學(xué)習(xí)概念由Hinton于2006年在《Science》上發(fā)表的論文《DeepLearning》提出：

1、在ANN中，感知器的隱層數(shù)量越多，對(duì)于數(shù)據(jù)隱藏特征的學(xué)習(xí)能力就越強(qiáng)，而且學(xué)習(xí)到的特征會(huì)更好的幫助理解數(shù)據(jù)，從而能夠更好的對(duì)數(shù)據(jù)進(jìn)行可視化或分類(lèi);

2、由于ANN層數(shù)越多，參數(shù)就會(huì)以幾何倍數(shù)的增加，因此ANN的層數(shù)會(huì)加大對(duì)整個(gè)網(wǎng)絡(luò)的訓(xùn)練效率，由此Hinton提出了基于無(wú)監(jiān)督學(xué)習(xí)的“逐層初始化”來(lái)有效克服該難題。在深度學(xué)習(xí)領(lǐng)域中，最先出現(xiàn)的算法是Hinton提出的限制玻爾茲曼機(jī)(RBM)以及基于此提出的深度置信網(wǎng)絡(luò)(DBN)，這兩種算法為解決復(fù)雜的優(yōu)化難題提供了思路，為解決多層復(fù)雜網(wǎng)絡(luò)帶來(lái)了希望。之后提出的自動(dòng)編碼器算法也風(fēng)靡一時(shí)。

此外Hinton的得意弟子Lecun等人提出的卷積神經(jīng)網(wǎng)絡(luò)(CNN)真正將深度學(xué)習(xí)研究領(lǐng)上了高潮，其本質(zhì)上是用來(lái)解決圖片或視頻中的實(shí)體識(shí)別等難題的，它利用圖片2維或3維空間特性有效的減少了網(wǎng)絡(luò)的訓(xùn)練參數(shù)。

深度學(xué)習(xí)除了在應(yīng)用領(lǐng)域的快速擴(kuò)張，一些基礎(chǔ)技術(shù)研究依然保持著很高的熱度。主要可以分成以下幾個(gè)方向：

深度學(xué)習(xí)的基礎(chǔ)理論研究;深度學(xué)習(xí)和其他方法的結(jié)合擴(kuò)展;深度學(xué)習(xí)一些優(yōu)勢(shì)的深耕和發(fā)揚(yáng)光大;深度學(xué)習(xí)現(xiàn)階段一些局限性的解決。當(dāng)然這幾個(gè)方面也是相互影響，相互交織的。

深度學(xué)習(xí)的理論性研究側(cè)重給出對(duì)深度學(xué)習(xí)有效性更好的解釋?zhuān)瑢?duì)深度學(xué)習(xí)的泛化能力更好的證明，以及如何更快收斂更好地學(xué)習(xí)等。

根據(jù)中研普華產(chǎn)業(yè)研究院發(fā)布的《2021-2025年中國(guó)深度學(xué)習(xí)發(fā)展及趨勢(shì)專(zhuān)項(xiàng)研究報(bào)告》顯示：

一些較成功的深度學(xué)習(xí)應(yīng)用集中在圖像識(shí)別、文本分析、產(chǎn)品推薦、欺詐預(yù)防和內(nèi)容管理等領(lǐng)域的增量和實(shí)際改進(jìn)上。深度學(xué)習(xí)可能會(huì)帶來(lái)未來(lái)更強(qiáng)大、更具顛覆性的應(yīng)用發(fā)展，如無(wú)人駕駛汽車(chē)、個(gè)性化教育和預(yù)防性醫(yī)療保健。隨著應(yīng)用的不斷拓展，全球深度學(xué)習(xí)軟件市場(chǎng)將從2017 年的30 億美元增長(zhǎng)到2025 年的672 億美元。

國(guó)外的深度學(xué)習(xí)研究在整體上呈現(xiàn)出三個(gè)基本趨勢(shì)：

一是關(guān)注真實(shí)課堂條件下深度學(xué)習(xí)與學(xué)生素養(yǎng)發(fā)展的實(shí)證研究;二是從個(gè)別具體操作策略的探討轉(zhuǎn)向?yàn)橐话慊僮髂Ｊ降慕?gòu);三是從單純關(guān)注深度學(xué)習(xí)的技術(shù)性支持轉(zhuǎn)向?yàn)榍榫承缘沫h(huán)境支持系統(tǒng)設(shè)計(jì)。深度學(xué)習(xí)研究又呈現(xiàn)出兩個(gè)較為明顯的特點(diǎn)。

本報(bào)告在總結(jié)中國(guó)深度學(xué)習(xí)發(fā)展歷程的基礎(chǔ)上，結(jié)合新時(shí)期的各方面因素，對(duì)中國(guó)深度學(xué)習(xí)的發(fā)展趨勢(shì)給予了細(xì)致和審慎的預(yù)測(cè)論證。報(bào)告資料詳實(shí)，圖表豐富，既有深入的分析，又有直觀的比較，為深度學(xué)習(xí)企業(yè)在激烈的市場(chǎng)競(jìng)爭(zhēng)中洞察先機(jī)，能準(zhǔn)確及時(shí)的針對(duì)自身環(huán)境調(diào)整經(jīng)營(yíng)策略。

了解更多行業(yè)數(shù)據(jù)詳情，可以點(diǎn)擊查閱中研普華產(chǎn)業(yè)研究院的《2021-2025年中國(guó)深度學(xué)習(xí)發(fā)展及趨勢(shì)專(zhuān)項(xiàng)研究報(bào)告》。

• 相關(guān)深度報(bào)告REPORTS

  

  2021-2025年中國(guó)深度學(xué)習(xí)發(fā)展及趨勢(shì)專(zhuān)項(xiàng)研究報(bào)告

  深度學(xué)習(xí)本質(zhì)上是一種新興的機(jī)器學(xué)習(xí)算法，其基本模型框架是基于ANN的，如含有多隱層的感知器。其可以通過(guò)對(duì)數(shù)據(jù)的底層特征進(jìn)行學(xué)習(xí)從而得到更加抽象的隱藏特征，從而特到數(shù)據(jù)的分布式規(guī)律，進(jìn)C...

  查看詳情

延伸閱讀

推薦閱讀

猜您喜歡