Deep Learning es una de las tecnologías más populares que existen. Hay muchos artículos de investigación en Deep Learning, y puede ser realmente abrumador mantenerse al día.
Hay muchos temas de investigación interesantes, como Redes de adversario generativo, Autocoders y Aprendizaje de refuerzo.
La investigación realizada en estos campos despierta asombro e interés, sin embargo, la mayor parte de esta investigación aún no está lista para ser implementada en el flujo de trabajo del proyecto de software moderno.
En este artículo, presentaré algunas aplicaciones populares de Deep Learning que son frecuentemente utilizado en aplicaciones web y móviles y tiene excelentes tutoriales para comenzar.
Hablando de Deep Learning fuera del ámbito de la ciencia ficción y las posibilidades del futuro, los ingenieros de software, los empresarios y los desarrolladores de aplicaciones quieren saber: ¿Cómo puede ayudarlo? Deep Learning me ayuda en este momento?
En el sentido de que puede encontrar buenos tutoriales y código fuente que detalla cómo implementar estos algoritmos; y la implementación es relativamente fácil, aquí hay algunas aplicaciones de Deep Learning que son estables y universalmente aplicables.
Motor de recomendaciones
Netflix, Amazon, Spotify y muchas más aplicaciones dependen de sus motores de recomendación para mejorar la experiencia del usuario y proporcionar un mejor servicio para sus usuarios.
Afortunadamente para su aplicación, no es tan difícil comenzar con su propio motor de recomendación.
Recomendación: Los motores aterrizan en dos amplias categorías: métodos de filtrado basado en contenido y colaborativo.
Basado en contenido se refiere a la cuantificación de objetos en su aplicación como un conjunto de características y modelos de regresión adecuados para predecir las tendencias de un usuario en función de sus propios datos.
El filtrado colaborativo es más difícil de implementar, pero funciona mejor ya que incorpora el comportamiento de toda la base de usuarios para hacer predicciones para usuarios únicos.
Ambas estrategias pueden aprovechar redes profundas en conjuntos de datos masivos para una clasificación productiva y rendimiento de regresión .
En su experiencia, puede encontrar que es mejor comenzar con un motor basado en contenido hasta que tenga una base de usuarios considerable.
Desde allí es posible que desee cambiar por completo a Collaborative Filtering o haga que su sistema aprenda una ponderación entre los dos modelos que optimiza su motor, como por ejemplo:
pred = x1 * (Content-Based Engine) + x2 * (Collab-Filtering Engine)
Keras Code for Collaborative Filtering
Explicación adicional del tema
Text Sentiment Analysis
Muchas aplicaciones tienen comentarios o sistemas de revisión basados en comentarios integrados en sus aplicaciones.
La investigación del procesamiento del lenguaje natural y las redes neuronales recurrentes han recorrido un largo camino y ahora es completamente posible implementar estos modelos en el texto de su aplicación para extraer información de mayor nivel.
Esto puede ser muy útil para evaluar la polaridad sentimental en las secciones de comentarios o extraer temas significativos a través de los modelos de Reconocimiento de Entidades Nominadas.
Estos modelos también pueden ser útiles para decisiones internas y decisiones estratégicas.
Más sobre qué tan útil puede ser el Análisis de Sentimientos:
Más Código de Muestra ← Repo al final del artículo
Chatbots
Otra muy El tipo de aplicación interesante de ciencia ficción es Chatbots. Los chatbots son vistos por muchos como uno de los pilares de la próxima generación de interfaces de usuario en la web.
Los chatbots se pueden entrenar con muestras de diálogo y redes neuronales recurrentes. Hay muchos tutoriales sobre cómo crear chatbots:
https://medium.com/media/0e7e1b4521fae5931655f571232cf799/href
Reconocimiento de imágenes
La recuperación y clasificación de imágenes son muy útiles si su aplicación utiliza imágenes.
Algunos de los enfoques más populares incluyen el uso de modelos de reconocimiento para ordenar imágenes en diferentes categorías, o el uso de autocoders para recuperar imágenes basadas en la similitud visual.
Las tácticas de reconocimiento de imágenes también se pueden utilizar para segmentar y clasificar datos de video, ya que los videos son solo una secuencia de tiempo de imágenes.
Estrategias populares para mejorar el rendimiento del reconocimiento de imágenes
Investigación de mercado
Además de Buscando nuevas características que puedan mejorar su aplicación, Deep Learning también puede ser útil detrás de escena.
La segmentación del mercado, el análisis de campañas de mercadotecnia y muchos más se pueden mejorar utilizando modelos de regresión y clasificación de Deep Learning.
Esto realmente ayudará más si tiene una gran cantidad de datos, de lo contrario, probablemente sea mejor utilizar algoritmos tradicionales de aprendizaje automático para estas tareas en lugar de Deep Learning.
Conclusión
Cada vez que veo una nueva aplicación, Es fácil imaginar cómo los motores de recomendación, análisis de sentimiento, reconocimiento de imágenes y chatbots podrían mejorar la funcionalidad de la aplicación.
Todas estas aplicaciones se han hecho posibles o han mejorado mucho gracias al poder de Deep Learning.
Obviamente, esta es solo mi opinión y hay muchas más aplicaciones de Deep Learning.
Sin embargo, creo que esta es una gran lista de aplicaciones que tienen montones de tutoriales y documentación y generalmente funcionan de manera confiable.
A diferencia de algo así como Redes de adversarios generacionales o Aprendizaje de refuerzo, que son bastante difíciles de entender cómo integrar en su web o aplicación móvil.
Creo que estos casos de uso de Deep Learning tienen una aplicabilidad universal para la mayoría de las aplicaciones.
Además, Deep Learning es un subconjunto de Data Science y hay muchas más maneras en que Data Science puede proporcionar valor a sus proyectos de software.
Aplicaciones populares de aprendizaje profundo se publicó originalmente en Towards Data Science en Medium, donde las personas continúan la conversación resaltando y respondiendo a esta historia.