第三課：深度學習已經(jīng)取代了哪些領域的專家？
小欣：這節(jié)課，羅恒老師會為我們講解深度學習已經(jīng)取代了哪些領域的專家。
羅恒：剛才講到了開始的時候，神經(jīng)網(wǎng)絡的最初的形態(tài)感知器需要專家來設計特征，然后把特征交給神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡才決定如何來進行分類。那么隨著深度學習的發(fā)展，其實已經(jīng)取代了很多的專家。大家可能沒有很意識到，我這里就講幾個方面：
首先就是機器視覺方面的一些專家。在深度學習出現(xiàn)以前，可能大量的機器視覺的研究人員他們想方設法都是在設計各種各樣的特征，然后利用這些特征再去完成一個復雜的機器視覺的任務。如何去設計合理的特征往往需要非常多的經(jīng)驗，甚至需要天賦在里面，而即使是設計好了很好的特征當應用到一個新的場景的時候，往往需要做很多新的設計才能夠在新的場景下做得比較好。
那么在深度學習出現(xiàn)之后，如果現(xiàn)在大家再去看一看新的機器視覺文章，像這些設計特征的文章數(shù)目已經(jīng)變得非常的少了，而大量的都是使用神經(jīng)網(wǎng)絡、使用深度學習方法從數(shù)據(jù)中學習特征。那么這其實就降低了機器視覺使用的門檻，也實際上取代了這部分人的工作。
另外一個例子，就是廣告推薦系統(tǒng)。之前的這些系統(tǒng)也是依賴很多專家來設計各種各樣的特征，甚至一個好的廣告推薦系統(tǒng)完全取決于特征工程做得如何。但是隨著深度學習的出現(xiàn)大量的公司現(xiàn)在有個趨勢，就是使用神經(jīng)網(wǎng)絡、利用用戶的點擊數(shù)據(jù)就能得到非常好的結果，遠遠超出了通過搞特征工程加上一些線性模型的結果。
所以我想說的是，深度學習的出現(xiàn)甚至人工智能的出現(xiàn)，可能并不是如大家所想象的那樣，先去取代那些簡單的重復性的勞動，而很有可能一開始就是要取代那些專家。比如說有很多的醫(yī)療圖像分析公司出現(xiàn)。這些公司收集了大量的數(shù)據(jù)，這些數(shù)據(jù)里就體現(xiàn)著很多不同的領域醫(yī)生的知識、體現(xiàn)著大量不同病情的表現(xiàn)，通過深度學習方法這些公司都在努力從這些數(shù)據(jù)中學習知識。目前他們已經(jīng)取得了一些成功，未來很可能在醫(yī)療圖像分析領域機器會做得比人更好。這些機器不知疲倦、不會犯錯，自然會取代一部分人的工作。
小欣：下節(jié)課，羅恒老師會為我們講解應用深度學習的門檻是否在降低。
【版權歸鈦媒體所有，未經(jīng)許可不得轉(zhuǎn)載】
賬號合并
經(jīng)檢測，你是“鈦媒體”和“商業(yè)價值”的注冊用戶。現(xiàn)在，我們對兩個產(chǎn)品因進行整合，需要您選擇一個賬號用來登錄。無論您選擇哪個賬號，兩個賬號的原有信息都會合并在一起。對于給您造成的不便，我們深感歉意。
Oh! no
您是否確認要刪除該條評論嗎？