1.计算机视觉。在计算机视觉领域，深度神经网络最令人瞩目的成绩就是ImageNet竞赛。
包括人脸识别、目标检测等具体的图形和图像处理。
[En]
Including face recognition, target detection and other specific graphics and image processing.
2.语音识别和合成。在语音识别领域，包括智能家居，语音助手等识别软件。
3.自然语言处理NLP。深度学习主要用于语义分析等任务，主要基于统计的模型。
4.机器翻译。
5.自动驾驶。
6.医学。在医学领域，深度学习是一项最新引入的研究方法，它作为一种成熟的图像处理技术主要用于医学影像识别任务。
7.游戏领域。著名的就是DeepMind公司创造的人工智能围棋冠军AlphaGo。
深入了解当前的问题和挑战：
[En]
In-depth learning current problems and challenges:
- 需要大量数据
- 缺乏概念表达能力，无法调剂
[En]
lack of concept expression ability and cannot be transferred*
- 没有处理分层结构的自然方式
[En]
there is no natural way to deal with hierarchical structures*
- 无法开发推理
- 不够透明
- 没和先验知识结合
- 无法区分因果关系和相关性
[En]
unable to distinguish between causality and correlation*
- 假设是稳定的环境
- 是近似，不能完全相信
- 很难工程化
未来：
从本质上讲，深度学习是一种既有优势又有局限性的统计技术。它不是万能的解决方案，它是许多人工智能工具之一。
[En]
In essence, deep learning is a statistical technique with advantages and limitations. Is not a universal solution, it is one of many artificial intelligence tools.
自然智能是多维的、复杂的，一般的人工智能一定是多维的。通过推动超越感知分类，进入更广泛的推理和知识融合，人工智能取得了更大的进步。
[En]
Natural intelligence is multi-dimensional and complex, and general artificial intelligence must be multi-dimensional. By promoting beyond perceptual classification, into the broader integration of reasoning and knowledge, artificial intelligence has made greater progress.
Original: https://blog.csdn.net/ltl451011/article/details/120738928
Author: 计算机刘老师
Title: 深度学习的典型应用和挑战及未来
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/512231/
转载文章受原作者版权保护。转载请注明原作者出处！