深度学习工具帮助用户挖掘高级分析数据
组织越来越多地在寻找利用他们收集和储存的所有非结构化数据的方法。深度学习应用程序可以提供一个答案。
在Twitter公司，Hugo Larochelle的工作是了解社交网络的用户是如何连接的……
继续阅读本文
享受本文以及所有内容，包括电子指南，新闻，提示等。
彼此以及它们的兴趣是什么，以便对包括推文，图像和视频的内容进行分类和促进内容。为了帮助实现，他和他的数据分析师使用新兴技术：深度学习工具。
作为Twitter的研究科学家作为Larochelle，在本月在波士顿的深入学习峰会的演示期间解释了，深入学习是一个机器学习类别它试图理解复杂的问题，如解释图像或基于文本的自然语言。他和其他支持者说深度学习技术这种技术严重依赖于神经网络的使用，在某些情况下比传统机器学习更有用数据分析应用程序涉及非结构化数据或需要主观解释。
而深度学习正迅速成为研究领域的热点高级数据分析。拉罗谢尔说，在这方面已经取得了重大进展深度学习技术和过去五年的过程研究人员和企业分析团队努力为他们现在正在编译的所有非结构化文本，图像和视频数据找到良好用途。
健壮的开源工具的可用性是另一个关键的催化剂。Larochelle说，他的Twitter团队使用谷歌的TensorFlow和Torch，这是一个由Facebook、谷歌和Twitter的研究人员开发的开源机器学习平台。他补充说，这样的工具使它变得更容易数据科学家和其他分析师构建深度学习应用程序。
“所有这些因素结合在一起，造就了一场完美的风暴深度学习已经变得非常成功Larochelle说。
大数据在深度学习中起着重要作用
除了组织存储的各种数据类型外纯粹的数据量一直是深入学习工具和技术的关键因素。Choftiva的研究和主要科学家董事Daniel McDuff，该公司基于沃尔瑟姆，大众。，这是发展深度学习一款识别面部表情的软件公司表示，这项技术直到最近才变得有用，因为该公司积累了足够的数据，使其能够正常工作。
Affectiva诞生于麻省理工学院媒体实验室(MIT Media Lab)的一个研究项目，该项目于2009年正式启动。最初，该公司的研究人员利用数百名志愿者的视频，试图“训练”面部识别软件来解读人们的情绪状态。但在会议上，McDuff表示，这种小型数据设置有太多变化可靠。多年来，影响力建立了一个视频库，视频库，镜头数百万人。现在，根据麦克风的说法机器学习算法已经熟练地对人们的情绪做出更普遍的评估。
“麦克德夫说，它真的无法用过去可用的数据量培训这些模型。但现在，他补充说，该公司的研究团队有一个“丰富的信息来源”，它提高了其准确性分析模型。
深度学习的商业案例不断增长
虽然很多深度学习项目仍处于研究阶段，但将该技术应用于更传统的商业问题的案例正在增多。Université de Montréal的机器学习教授约书亚·本吉奥(Yoshua Bengio)表示，基于深度学习的软件正在渗透到日常生活中。
例如，许多人现在对手机上的虚拟个人助理交谈很舒服。医生正在使用患者护理中的计算机化决策支持系统。自动驾驶汽车走上街头的人越来越多。Bengio在另一场会议上表示，很快，各类公司的客户将期待同样无缝的用户体验。
他认为大量的企业可以从插入深度学习工具进入他们的操作中，例如，以更自然的方式自动化客户交互是技术最明显的应用之一。但首先，它和分析团队需要做功课，真正了解他们进入的东西，Bengio建议。
“世界正在改变，”他说。“重要的是，人们要更多地了解这项技术背后的东西，看到互联网上经常出现的炒作和恐惧。”
