Advertisement
当前位置:
深度学习应不会成为工业大数据分析的主流算法
回复 | 人气 | 打印
gchui 个人主页 给TA发消息 加TA为好友 发表于:2018-11-06 10:29:53 楼主

30年来,很多论文涉及人工神经元方法在工业界的应用。但在我看来,实际应用价值并不像论文上写的那么理想。真正成功应用的有,但非常少。很多人用这种方法写论文,往往是另有所图——这一点,有些人其实是明白的,只是不愿意说透。神经网络的一个重要缺陷是训练结果的可靠性不够,适合的工业场景不多。


大数据和深度学习之间,有密切的联系:只有在大数据的条件下,深度学习才容易成功。深度学习方法对于视频、音频识别是有效的,也取得了不小的成功。但在工业界多数场景,深度学习方法却未必有效:许多工业场景太复杂、对可靠性的要求又太高。我的判断是:深度学习可以偶尔制造轰动效应、可以发论文,但不一定是工业界的常规算法。这就好比野山参可以做补品,但不能当粮食吃。


有人提出过大数据理论的一个特点:简单算法胜过复杂的算法。这句话背后的原理应该是:大数据算法的本质是模仿已有的、相近的案例。这种判断基于大数据的一个特点“样本=全体”:日光底下无新事,总有一款适合你。我判断,未来随着数据的增多,近邻方法、聚类方法以及相关变异的方法可能会在工业大数据领域大行其道。


近邻方法、聚类方法很简单,但在工业中用好也不容易。比如,近邻“资格”的判断、权重选择,都可以与具体领域知识相结合,让算法变成一种“艺术”。大数据应用的思想是简单的,但细节可能比较复杂。工业对确定性要求高,很多工业技术的特点,都是这一要求决定的。

来源:微信号 蝈蝈创新随笔

作者:郭朝晖

该作品已获作者授权,未经许可,禁止任何个人及第三方转载。


分享到: 收藏 回复 举报


相关主题
周点击排行
周回复排行
    最新求助
      Advertisement Advertisement