新智元启动新一轮大招聘：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。

　　【新智元导读】在本文中，作者先探讨了深度学习的特点和优势，然后介绍了12种类型的AI问题，即：在哪些场景下应该使用人工智能（AI）？作者强调企业AI问题，因为他认为AI会影响许多主流的应用。

　　深度学习能解决什么问题？

　　首先，让我们探讨深度学习是什么。

　　深度学习是指由许多层组成的人工神经网络。“深”是指层数多。相比深度学习，其他的许多机器学习算法是浅的，例如 SVM，因为它们没有多层的深架构。多层的架构允许后面的计算建立在前面的计算之上。目前的深度学习网络已经有10+甚至100+层。

　　多层的存在使得网络能够学习更多的抽象特征。因此，网络的较高层可以获得建立在来自较低层的输入上的更多抽象特征。深度学习网络可以被视为特征提取层（feature extraction layer），其顶部是分类层（Classification layer ）。深度学习的能力不在于它的分类，而特征提取。特征提取是自动（没有人为干预）而且多层的。

　　通过向网络展示大量有标记的示例来训练网络，atv直播，通过检测误差并调整神经元之间连接的权重以改进结果。重复该优化过程以创建微调后的网络。一旦部署之后，可以利用优化的网络来评估没有标记的图像。

　　特征工程（Feature engineering）包括找到变量之间的连接并将它们包装到一个新的变量中。深度学习执行自动特征工程。 自动特征工程是深度学习的主要特征。特别是对于图像等非结构化数据来说自动特征工程很重要，因为人工的特征工程非常缓慢而且耗费劳力，并且对执行执行工程的人的领域知识有很大依赖性。

　　深度学习适合目标函数复杂且数据集较大的问题，但有正例和负例的例子。深度学习也适合涉及层次和抽象的问题。

　　抽象（Abstraction）是一个概念过程，通过抽象从一般规则和概念中衍生出具体例子的使用和分类。我们可以将抽象视为一个“超级类”（super-category）的创建，包括描述特定目的的示例的共同特征，但会忽略每个示例中的“局部变化”（local changes）。例如，“猫”的抽象包括毛，胡须等。对于深度学习来说，每个层涉及对一个特征的检测，并且随后的层以先前的层为基础。因此，在问题域包括抽象和分层概念的情况下可以使用深度学习。图像识别属于此类别。 相比之下，垃圾邮件检测问题可以被建模为一个spreadsheet，可能就不是需要使用深度学习的复杂问题。

　　AI vs. 深度学习 vs. 机器学习

　　在探讨AI的应用类型之前，我们需要了解三个术语之间的差异，即 AI、深度学习、机器学习。

　　AI 意味着能够推理的机器（a machine that can Reason）。AI 的更多特征如下（来源自 David Kelnar）：

推理（Reasoning）：通过逻辑推理来解决问题的能力。

知识（Knowledge）：呈现有关世界的知识的能力（理解世界上存在某些物体，事件和状态；理解这些要素具有属性；以及理解这些要素可以分类）。

规划（Planning）：设立目标及实现目标的能力

交流（Communication）：理解书面语言和口语的能力。

感知（Perception）：从视觉图像，声音以及其他感官输入推断有关世界的事物的能力。

　　AI的终极目标是通用的人工智能，它允许机器在普通的人类环境中独立运行。我们今天看到的主要是狭隘的AI（例如NEST恒温器）。AI正在快速发展。目前已有一系列的技术在驱动AI。这些技术包括：图像识别和自动标记，面部识别，文本 - 语音，语音 - 文本，自动翻译，情感分析和图像、视频、文本、语音的情感分析。资料来源：Bill Vorhies。