深度学习主要应用在哪些领域?

近年来，随着人工智能的发展，深度学习俨然已经成为一个热词。谷歌将深度学习应用于语音识别和图像识别，Netflix和亚马逊则利用深度学习来了解客户的行为习惯。还有一个事，说出来你可能不信，但确实已经发生了——MIT的研究学者已经在尝试用深度学习来预测未来了。

在真正谈及深度学习之前，我们必须先来了解一下人工智能、机器学习和深度学习之间的区别，请看这张图：

从这张图中，很明显能看出来，机器学习是人工智能的一个子集，这也就是说，我们可以创建一个智能机器，它可以在基于已给的数据集中学习。当然，你肯定也注意到了，深度学习是机器学习的一个子集。我们可以利用简单的机器学习算法来训练深度神经网络，从而在机器学习算法表现得并不好的案例中，获得更好的准确度。

深度学习是我们在特征提取时克服挑战的方法之一。原因在于，深度学习模型只需要编程人员提供的少许指导，就可以自己学习去关注正确特征。从基本上来讲，深度学习模仿的是我们人类大脑运行的方式——从经验中学习。众所周知，我们的大脑是由数十亿个神经元组成的，正因为这些神经元，我们才能有惊人的行为。即使是个一岁的小孩子，他也可以解决复杂的问题，而这些问题是超级电脑也很难解决的。比如说：

1）认出父母以及其他物体。

2）区分不同的声音，甚至根据声音来认出某个特定的人。

3）从人们的脸部表情推断出某些结论。

实际上，多年来，我们的大脑已经不自觉地训练自己去做这些事情。那么深度学习是如何模仿大脑功能的呢？嗯，其实呢，深度学习利用的是人工神经元概念，其功能与大脑中现存的生物神经元有些相似。因此，我们可以说，深度学习是机器学习的一个子类。

举个例子，假设我们想建立一个系统，可以识别一张图片中不同的人脸。如果我们把它当作一个典型的机器学习问题来处理，那么我们可以定义脸部特征，如眼睛、鼻子、耳朵等，那么，这个系统就可以识别哪些特征对于哪个人来说是更重要的。

现在，深度学习已经向前迈出了一步。通过深度神经网络，深度学习可以自动提取对分类算法比较重要的特征。而机器学习则需要手动定义这些特征。

那么深度学习的应用领域具体有哪些呢？我来列举几个广泛应用深度学习的领域。

一、语音识别

相信多数人都听说过Siri——苹果的智能语音助手。和其他大厂一样，苹果也开始进军深度学习。

在语音识别和智能语音助手领域，我们可以利用深度神经网络开发出更准确的声学模型。简而言之，你可以建立这样一个系统，学习新特征，或者根据你自己的需求进行调整，从而通过事先预测所有可能性来提供更好的帮助。

二、自动机器翻译

我们都知道，谷歌支持100种语言的即时翻译，速度之快宛如魔法。谷歌翻译的背后，就是机器学习。此时，你可能会想，谷歌翻译已经经历了很长的时间，那么现在有些什么新意呢？实际上，在过去的两年时间里，谷歌已经完全将深度学习嵌入进了谷歌翻译中。事实上，这些对语言翻译知之甚少的深度学习研究人员正提出相对简单的机器学习解决方案，来打败世界上最好的专家语言翻译系统。文本翻译可以在没有序列预处理的情况下进行，它允许算法学习文字与指向语言之间的关系。谷歌翻译利用的是大型递归神经网络的堆叠网络。

三、即时视觉翻译（拍照翻译）

众所周知，深度学习可以用来识别照片中的文字。一旦识别了，文字就会被转成文本，并且被翻译，然后图片就会根据翻译的文本重新创建。这就是我们通常所说的即时视觉翻译。

那么，假设你现在身处一个非母语国家，你也不用担心，只要下载一个谷歌翻译这样的app，你就可以大胆往前冲。利用这样的app，你可以去翻译路标或门店名。这类软件之所能实现这些目标，其实就是因为深度学习。

四、自动驾驶汽车

谷歌利用深度学习算法使自动驾驶汽车领域达到了一个全新的水平。因此，谷歌现在不再使用老的手动编码算法，而是编写程序系统，使其可以通过不同传感器提供的数据来自行学习。对于大多数感知型任务和多数低端控制型任务，深度学习现在是最好的方法。因此，即使是不会开车的人，或是残疾人，都可以在不依赖于其他人的情况下自己出门。

至此，我其实只是提了一小部分深度学习被广泛应用的领域，事实上还有很多其他领域有待探索，如果你了解什么，欢迎留言与我探讨~

下周见。

编译 | AI搬运工

来源 | EDUREKA

文章链接 | https://www.edureka.co/blog/what-is-deep-learning (节选部分）