共享茶室加盟为什么不能做割韭菜模式
图像识别，诊断疾病，获奖游戏：神经网络已经在各个领域超越了人类的大脑。
算法，智能软件和机器人现在可以承担越来越多的任务，以前只能由人类进行。神经网络和深度学习使它成为可能。
艾滋病征服的领域：
1）。交通标志识别
深度学习网络非常适合拍摄图像内容。事实上，自主汽车是正确的技术，因为无人驾驶车辆必须正确识别交通标志，树木，行人或骑自行车的人。汽车制造商正在实时开发自动场景分析。因此，汽车将能够识别行人穿过道路的意图，例如通过分析他/她的身体姿势。
2）。阅读房屋号码
谷歌的研究人员使用深度学习网络来检测数百万幅Google视图图像，无论是转动还是倾斜。这样做是为了精确地本地化Google地图中的房屋。计算机只需几秒钟即可完成任务。未来，这项技术可能会用于自动侦测公共场所的嫌犯。
3）。阅读面部表情
像欢乐，惊讶，厌恶或悲伤的基本情绪总是反映在我们面前的同样的方式，无论我们来自哪里，还是多大的年龄。有基于深度学习的技术，在人脸识别方面比人类更快更准确。这样的系统甚至可以将真正的微笑与假的微笑区分开来。
4）。获奖游戏
电脑比人类掌握了很多游戏。例如，由GoogleDeepMind开发的一款由人力资源世界冠军LeeSedol开发的AlphaGo（深度学习网络，分析计算和随机生成器的组合）的胜利。目前，研究人员试图教电脑玩扑克。这是非常困难的，因为它是一个不完美的知识的游戏。无论如何，现场还有一些进展。一些程序已经学会了虚张声势。
5）。诊断疾病
美国研究人员已经开发出可以通过识别可疑特征来检测癌细胞的学习算法。令人印象深刻的是，算法已经能够检测可以适用于新药的分子。
医生和制药公司期望深入学习网络或AI的其他过程将有助于做出准确的诊断，寻找更好的治疗方法和创造新的活性物质。
6）。维护机器
大型风力发电机有大量的传感器，每天传输数百GB的数据。神经网络学习比人类更好地分析这些数据流。他们认识到异常的振动和不平稳的运行，并在维修团队造成损坏和涡轮机故障之前安排维修团队的赔偿。
然而，神经网络不是全能的。它们对于模式，图像，文本或音频数据的识别是非常完美的，但它们没有日常知识。
为了建立智能机器，拥有这样的常识，深度学习过程是不够的。它需要结合其他方法进行知识获取和处理，这对研究来说是非常具有挑战性的。
相关文章
