神经网络的现实生活和商业应用

机器学习的一个分支，神经网络(NN)，又称人工神经网络(ANN)都是计算模型——本质上是算法。神经网络有一种独特的能力，可以从不精确或复杂的数据中提取意义，以发现模式和检测对人类大脑或其他计算机技术来说过于复杂的趋势。神经网络在许多方面为我们提供了更大的便利，包括通过拼车应用、bgmail智能分类和亚马逊上的建议。

神经网络最具开创性的方面是，一旦经过训练，它们就会自动学习。通过这种方式，它们模拟了人类的大脑，大脑由神经元组成，神经元是人类和神经网络信息传输的基本组成部分。

神经网络在人脑结构中模拟了什么，训练是如何工作的?

所有哺乳动物的大脑都由相互连接的神经元组成，这些神经元传递电化学信号。神经元有几个组成部分:身体，其中包括一个核和树突；轴突，它与其他细胞相连;和轴突终端或突触它将信息或刺激从一个神经元传递到另一个神经元。结合起来，这个单元在神经系统中执行通信和整合功能。人类的大脑有大量的处理单元(860亿个神经元)，能够执行高度复杂的功能。

人工神经网络是一种统计模型，旨在通过使用学习算法来适应和自我编程，以理解和整理概念、图像和照片。为了让处理器完成它们的工作，开发人员将它们安排在并行操作的层中。的输入层类似于人类大脑神经网络中的树突。的隐藏层与细胞体相当，位于输入层和输出层(这类似于大脑中的突触输出)。隐藏层是人工神经元接收一系列输入的地方突触权重，这是节点之间连接的幅度或强度。这些加权输入通过传递函数生成输出层。

一旦您为特定应用程序构建了网络，培训(即学习)就开始了。培训有两种方法。监督式学习通过手动分级网络性能或提供所需的输出和输入，为网络提供所需的输出。无监督学习当网络在没有外界帮助或指令的情况下理解输入时发生。

在无监督学习领域还有很长的路要走。“从未标记的数据中获取信息，我们称之为无监督学习的过程，是一个非常热门的话题，但显然我们还没有解决这个问题。这仍然是一项挑战，”蒙特兰萨塔尔大学的Yoshua Bengio在文章中评论道“神经网络和深度学习在我们日常生活中的崛起。”

Bengio指的是这样一个事实，即神经网络的数量无法与人脑中的连接数量相匹配，但前者赶上的能力可能就在不久的将来。摩尔定律(Moore’s Law)指出，计算机的整体处理能力将每两年翻一番，这为我们提供了神经网络和人工智能的发展方向。英特尔首席执行官布莱恩·科再奇在2017年计算机电子展上肯定了“摩尔定律还活着，而且很好，很繁荣。”自20世纪中期诞生以来，神经网络的“思考”能力一直在以惊人的速度改变着我们的世界。

神经网络可以追溯到20世纪40年代初，当时数学家沃伦·麦卡洛克和沃尔特·皮茨建立了一个简单的基于算法的系统，旨在模拟人类的大脑功能。1957年，当康奈尔大学的弗兰克·罗森布拉特构想出感知器这是一种突破性的算法，用于执行复杂的识别任务。在接下来的40年里，由于缺乏处理大量数据所需的计算能力，技术进步受到了阻碍。进入21世纪后，由于更强大的计算能力和更复杂的硬件的出现，以及大量数据集的存在，计算机科学家终于拥有了他们所需要的东西，神经网络和人工智能开始起飞，而且看不到尽头。要了解这一领域在新千年中扩展了多少，请考虑一下90%的互联网数据是2016年以后创建的。由于物联网(IoT)的发展，这一速度将继续加快。

想了解更多背景和更广阔的时间线，请阅读《机器学习权威指南:商业应用、技术和例子》

神经网络具有类似人类的特性，能够以无限排列和组合的方式完成任务，这使得它们非常适合当今基于大数据的应用。因为神经网络还具有独特的能力(称为模糊逻辑)来理解模棱两可、矛盾或不完整的数据，他们能够在没有精确模型可用的情况下使用受控过程。

根据Statista发布的一份报告，2017年，全球数据量每月接近10万千兆字节(即100万千兆字节);预计到2021年将达到232,655拍字节。随着企业、个人和设备产生大量信息，所有这些大数据都是有价值的，神经网络可以理解这些数据。

神经网络的属性

神经网络具有类似人类的解决问题的能力，并将这种技能应用于庞大的数据集，它拥有以下强大的属性:

• 自适应学习像人类一样，神经网络模拟非线性和复杂的关系，并建立在先前的知识基础上。例如，软件使用适应性学习来教授数学和语言艺术。

• 自组织对大量数据进行聚类和分类的能力使神经网络特别适合组织由医学图像分析引起的复杂视觉问题。

• 实时操作神经网络(有时)可以提供实时答案，就像自动驾驶汽车和无人机导航一样。

• 预后神经网络基于模型的预测能力有广泛的应用，包括天气和交通。

• 容错当一个网络的重要部分丢失或缺失时，神经网络可以填补空白。这种能力在太空探索中特别有用，因为太空探索中电子设备总是有可能出现故障。

神经网络执行的任务

神经网络非常有价值，因为它们可以执行任务来理解数据，同时保留所有其他属性。以下是神经网络执行的关键任务:

• 分类神经网络将模式或数据集组织到预定义的类中。

• 预测它们从给定的输入中产生预期的输出。

• 聚类他们识别数据的独特特征，并在不了解先前数据的情况下对其进行分类。

• 关联你可以训练神经网络来“记住”模式。当你展示一个不熟悉的模式版本时，神经网络会将它与记忆中最相似的版本联系起来，并恢复到后者。

神经网络是深度学习一组强大的神经网络技术，可用于解决抽象问题，如生物信息学、药物设计、社交网络过滤和自然语言翻译。深度学习是我们解决科学和工程中最复杂问题的地方，包括先进的机器人技术。随着神经网络变得越来越智能和快速，我们每天都在取得进步。

作为2018年8月的《纽约时报》文章他指出，“已经开始使用自动化软件的公司和政府机构涵盖了各个领域。其中包括通用汽车、宝马、通用电气、联合利华、万事达卡、万宝盛华、联邦快递、思科、b谷歌、国防部和美国宇航局。”我们刚刚看到神经网络/人工智能应用改变我们世界运作方式的开始。

H3:神经网络的工程应用

工程是神经网络应用必不可少的领域，特别是在各种领域出现的“高保证系统”，包括飞行控制、化学工程、发电厂、汽车控制、医疗系统和其他需要自主性的系统。”(来源:神经网络在高保证系统中的应用综述。)

我们向工程领域的两位专家询问了他们的应用程序如何改善零售、制造、石油和天然气、导航和办公环境中的信息检索。

里斯提供了一些日常使用Wi-Fi的例子:“连锁超市使用Wi-Fi扫描仪扫描进出配送中心和个别市场的农产品。如果Wi-Fi不能正常工作，整个业务都会中断。制造业和油气行业也是Wi-Fi至关重要的行业，因为确保可靠性和优化是绝对必要的。”

Wi-Fi很棒，但它需要很多监督才能发挥作用。Rees指出:“大多数企业或大型无线局域网解决方案都需要训练有素的Wi-Fi专家进行近乎持续的监控和调整，这是一种昂贵的方式来确保网络的最佳运行。”他补充说:“柯达云通过使用算法和自适应学习的智能系统解决了这个问题，从而产生了一个自我改进的循环。”

里斯分享了柯达云技术如何利用神经网络不断改进:“网络基于全局和局部学习进行学习和自我修复。这里有一个全局的例子:系统了解到一个新的Android操作系统已经部署，需要额外的配置和阈值更改来优化工作。一旦系统进行了调整和测量改进，它就会立即将这些知识应用于所有其他柯达云客户，因此系统立即识别任何类似的设备并解决问题。对于本地示例，假设系统学习每个接入点的本地射频环境。然后，每个设备连接到每个接入点，这导致对本地设备无线电参数的阈值更改。在全球和本地，优化每台设备的Wi-Fi质量是一个连续的循环。”

mccoran - campbell从两个生物学层面解释了Dawn是如何运作的:“在第一个层面，我们使用人工神经网络来处理原始信息。我们使用三种不同类型的网络:循环神经网络，它利用过去来预测未来;卷积神经网络，使用“滑动”神经元束(我们通常使用这种类型来处理图像);更传统的神经网络，也就是神经元的网络。传统的神经网络对于导航等问题非常有用，特别是当它们与循环元素结合在一起时。

在更复杂的第二层，Dawn的结构模仿了目前处理信息的最佳结构:人类大脑。这使我们能够像生物学一样分解高度复杂的自主性问题:用分区的“皮层”，每个皮层都有自己的神经网络，每个皮层都有自己的沟通途径和分层命令结构。结果是，信息以波的形式通过大脑皮层，就像在大脑中一样。(在这两种情况下，)信息处理的有效性和效率都得到了优化，”他解释说。

以下是目前在各个行业中使用的其他神经网络工程应用的列表:

• 航空航天:飞机部件故障探测器和模拟，飞机控制系统，高性能自动驾驶和飞行路径模拟

• 汽车:改进制导系统，开发动力传动系统，虚拟传感器和保修活动分析仪

• 电子学:芯片故障分析、电路芯片布局、机器视觉、非线性建模、代码序列预测、过程控制和语音合成

• 制造业:化工产品设计分析、化工过程系统动态建模、ob欧宝娱乐app手机下载过程控制、过程与机器诊断、产品设计与分析、纸张质量预测、项目招标、规划与管理、计算机芯片质量分析、视觉质量检测系统、焊接质量分析

• 力学:状态监测、系统建模和控制

• 机器人技术:叉车机器人、机械手控制器、轨迹控制和视觉系统

• 电信:ATM网络控制、自动化信息服务、客户支付处理系统、数据压缩、均衡器、故障管理、手写识别、网络设计、管理、路由与控制、网络监控、口语实时翻译、模式识别(人脸、物体、指纹、语义解析、拼写检查、信号处理、语音识别)

神经网络的商业应用:

神经网络在现实世界的商业应用正在蓬勃发展。在某些情况下，神经网络已经成为使用对冲基金分析、市场细分和欺诈检测的企业的首选方法。以下是一些正在改变商业格局的神经网络创新者。

“神经网络和人工智能具有令人难以置信的范围，你可以用它们来帮助人类在任何领域做出决策。深度学习并不是我们测试的第一个解决方案，但它在预测和改善招聘决策方面的表现一直优于其他解决方案。我们用数百万个数据点和招聘决策来训练我们的16层神经网络，所以它会变得越来越好。这就是为什么我主张每家公司都投资人工智能和深度学习，无论是在人力资源还是其他领域。商业正变得越来越受数据驱动，因此公司需要利用人工智能来保持竞争力，”唐纳建议道。

神经网络领域及其对大数据的使用可能是高科技，但其最终目的是为人们服务。在某些情况下，与人类利益的联系非常直接，就像OKRA的人工智能服务一样。

与许多人工智能公司一样，OKRA利用其技术利用多个大数据源进行预测，包括CRM、医疗记录、消费者、销售和品牌测量。然后，Bouarfa解释说:“我们使用最先进的机器学习算法，如深度神经网络、集成学习、主题识别和广泛的非参数模型，以获得改善人类生活的预测性见解。”

根据世界癌症研究基金会的数据，黑色素瘤是全球第19大常见癌症。地球上五分之一的人患有皮肤癌，早期发现对于预防皮肤癌相关死亡至关重要。有一款应用程序可以做到这一点:一款使用智能手机进行照片自检的手机应用程序。

Enevoldson补充说，这款手机应用程序运行速度很快:“只需30秒，该应用程序就会显示出皮肤上的哪些斑点需要跟踪一段时间，并给出低、中、高风险的图像指示。最近的数据显示，我们的服务的特异性为80%，灵敏度为94%，远高于皮肤科医生(灵敏度为75%)、皮肤科专家(灵敏度为92%)或全科医生(灵敏度为60%)。每张照片都经过我们的图像识别专家和皮肤科医生团队的双重检查，以确保质量。高风险照片会被标记出来，在48小时内，用户会收到医生关于下一步行动的个人医疗建议。”这款应用在全球拥有120万用户。

Talla的神经网络技术借鉴了不同的学习方法。他说:“我们使用语义匹配、神经机器翻译、主动学习和主题建模来了解与您的组织相关和重要的内容，随着时间的推移，我们提供了更好的体验。”May区别了Talla对人工智能的看法:“这项技术提升了人工智能的引线，允许用户用先进的人工智能技术训练基于知识的内容。Talla使用户能够使他们的信息更容易被发现、更易于操作，并且与员工更相关。内容创作者可以训练Talla识别相似的内容、回答问题和识别知识空白。”

以下是当前网络商业应用的进一步示例:

• 银行:信用卡损耗、信用贷款申请评估、欺诈和风险评估、贷款违约

• 业务分析:客户行为建模、客户细分、欺诈倾向、市场研究、市场组合、市场结构、流失、违约、购买和续订模型

• 国防:反恐、面部识别、特征提取、噪声抑制、目标识别、传感器、声纳、雷达和图像信号处理、信号/图像识别、目标跟踪和武器转向

• 教育:自适应学习软件、动态预测、教育系统分析与预测、学生表现建模、个性分析

• 金融:公司债券评级、公司财务分析、信用额度使用分析、货币价格预测、贷款咨询、抵押贷款筛选、房地产评估、投资组合交易

• 医疗:肿瘤细胞分析，心电图和脑电图分析，急诊室测试建议，医院系统的费用降低和质量提高，移植过程优化，假体设计

• 证券:自动债券评级、市场分析和股票交易咨询系统

• 运输路线系统，卡车制动诊断系统和车辆调度

神经网络的应用似乎势不可挡。“随着计算机和通信技术的进步，整个做生意的过程发生了巨大的变化。越来越多的以知识为基础的系统已经进入了大量的公司，”研究人员Nikhil Bhargava和Manik Gupta在2011年发现人工神经网络在商业应用中的应用

神经网络是一组算法，旨在通过聚类或标记来识别模式和解释数据。换句话说，神经网络是算法。一个训练算法是你用来执行神经网络学习过程的方法。由于有大量可用的训练算法，每种算法都由不同的特征和性能组成，因此您可以使用不同的算法来实现不同的目标。

总的来说，机器学习工程师每天开发成千上万的新算法。通常，这些新算法是现有架构的变体，它们主要使用训练数据来进行预测或构建现实世界的模型。

下面是一些当今常见的神经网络算法的指南。为了更清楚地了解不熟悉的术语，您可以参考本文参考资料部分中的词汇表。

普通神经网络算法的外行人指南

算法	目的
Autoencoder (AE)	您通常使用ae来减少所考虑的随机变量的数量，这样系统就可以学习一组数据的表示，从而处理生成数据模型。
双向循环神经网络(BRNN)	BRNN的目标是通过将两个隐藏的、方向相反的层连接到相同的输出来增加网络可用的信息输入。使用brnn，输出层可以从过去和未来的状态中获取信息。
玻尔兹曼机	该算法是一种循环神经网络，能够学习内部表示，并能表示和解决复杂的组合问题。
卷积神经网络(CNN)	cnn通常用于分析视觉图像，它是一种前馈神经网络，旨在最大限度地减少预处理。
反卷积神经网络(DNN)	dnn支持分层图像表示的无监督构造。层次结构的每一层都对前一层的信息进行分组，以向图像添加更复杂的特征。
深度信念网络(DBN)	当使用一组无监督的示例进行训练时，DBN可以通过使用层作为特征检测器来学习概率地重建其输入。按照这个过程，您可以训练DBN来执行监督分类。
深度卷积逆图形网络(DCIGN)	设计模型旨在学习系统根据三维场景结构的元素(如光照变化和深度旋转)分离的图像的可解释表示。设计使用许多层的算子，包括卷积算子和反卷积算子。
深度残余网络(DRN)	drn协助处理复杂的深度学习任务和模型。通过多层，DRN防止了结果的退化。
去噪自动编码器(DAE)	使用DAEs从损坏的数据输入中重建数据;该算法迫使隐藏层学习更鲁棒的特征。因此，输出将生成输入数据的更精细的版本。
回声状态网络(ESN)	回声状态网络与一个随机的、大型的、固定的递归神经网络一起工作，其中每个节点接收一个非线性响应信号。该算法随机设置和分配权值和连通性，以达到学习的灵活性。
极限学习机(ELM)	该算法一步学习隐藏节点的输出权重，创建一个线性模型。elm可以很好地泛化，学习速度比反向传播网络快很多倍。
前馈神经网络(FF或FFNN)和感知器(P)	这些是神经网络的基本算法。前馈神经网络是一种节点连接不形成循环的人工神经网络;感知器是一个二元函数，只有两个结果(上/下;是的/不,0/1)。
门控循环单元(GRU)	gru通过节点序列的连接来执行与集群和内存相关的机器学习任务。gru通过控制模型信息流来细化输出。
生成对抗网络(GAN)	这个系统让两个神经网络——判别和生成——相互对抗。目的是区分真实结果和合成结果，以便模拟高级概念任务。
Hopfield网络公司(HN)	这种形式的递归人工神经网络是一种具有二值阈值节点的联想记忆系统。HNs旨在收敛到局部最小值，为理解人类记忆提供了一个模型。
科霍宁网络(KN)	KN将问题空间组织成二维地图。自组织映射(SOMs)和其他问题解决方法的区别在于，SOMs使用竞争学习而不是纠错学习。
液态机(LSM)	LSM被称为第三代机器学习(或峰值神经网络)，它增加了时间的概念作为一个元素。lsm在加工过程中保存记忆，产生时空神经元网络激活。物理学和计算神经科学使用lsm。
长/短时记忆(LSTM)	LSTM在序列预测问题中具有学习或记忆顺序依赖的能力。LSTM单元包含一个单元、一个输入门、一个输出门和一个遗忘门。单元格在任意时间间隔内保留值。每个单元通过LSTM连接调节价值流。这种排序能力在复杂的问题领域是必不可少的，比如语音识别和机器翻译。
马尔可夫链	MC是描述一系列可能事件的数学过程，其中每个事件的概率完全取决于前一个事件所达到的状态。使用的例子包括输入单词预测和谷歌PageRank。
神经图灵机(NTM)	基于20世纪中期数据科学家艾伦·图灵(Alan Turing)的工作，NTM通过与外部存储器耦合来执行计算并扩展神经网络的能力。开发人员在机器人中使用NTM，并将其视为构建人工大脑的手段之一。
径向基函数网络(RBF网)	开发人员使用RBF网络对表示潜在趋势或功能的数据进行建模。RBF网络学习使用钟形曲线或非线性分类器来近似潜在的趋势。非线性分类器比处理低维向量的简单线性分类器分析得更深入。你在系统控制和时间序列预测中使用这些网络。
循环神经网络(RNN)	rnn通过记忆对顺序交互进行建模。在每个时间步，RNN根据当前输入和以前的记忆状态计算一个新的记忆或隐藏状态。应用包括音乐创作、机器人控制和人类动作识别。
受限玻尔兹曼机(RBM)	RBM是一种无监督环境下的概率图模型。RBM由可见层和隐藏层以及这些层中二值神经元之间的连接组成。rbn在过滤、特征学习和分类方面很有用。用例包括风险检测、业务和经济分析。
支持向量机(SVM)	基于与两个可能类别之一相关的训练示例集，SVM算法构建一个模型，将新示例分配给两个类别之一。然后，该模型将示例表示为空间中的映射点，同时将这些单独的类别示例划分为尽可能大的间隔。然后，该算法将新示例映射到同一空间中，并根据它们占据间隙的哪一侧来预测它们属于哪个类别。应用包括人脸检测和生物信息学。
变分自编码器(VAE)	VAE是一种特殊类型的神经网络，可以帮助生成基于数据集的复杂模型。一般来说，自动编码器是一个深度学习网络，它试图通过反向传播重建模型或匹配目标输出以提供输入。VAE还在图像生成和强化学习领域产生最先进的机器学习结果。

Priyanka Guar在她的论文“数据挖掘中的神经网络”中指出，“在更实际的术语中，神经网络是非线性统计数据建模工具。它们可用于为输入和输出之间的复杂关系建模，或查找数据中的模式。使用神经网络作为工具，数据仓库公司正在从数据集中收集信息，这个过程被称为数据挖掘。”

Gaur继续说道:“这些数据仓库与普通数据库的区别在于，它们对数据进行了实际的操作和交叉施肥，从而帮助用户做出更明智的决策。”

虽然你可以使用神经网络进行数据挖掘，但开发人员通常不会这样做，因为神经网络需要很长的训练时间，并且经常产生难以理解的模型。当专业人员决定使用它们时，他们有两种类型的神经网络数据挖掘方法可供选择:一种直接学习简单，易于理解的网络，而另一种采用更复杂的网络规则提取这涉及到从训练过的神经网络中提取符号模型。

传统计算机和神经计算机之间的主要区别之一是，传统机器按顺序处理数据，而神经网络可以同时处理许多事情。以下是传统计算机和神经计算机之间的其他一些主要区别:

• 遵循指示vs.学习能力传统的计算机只通过执行由算法设定的步骤或序列来学习，而神经网络不断地调整它们的程序，本质上是自己编程来寻找解决方案。传统计算机受到其设计的限制，而神经网络旨在超越其原始状态。

• 规则vs.概念和意象传统的计算机根据一组给定的规则和计算通过逻辑功能来运行。相比之下，人工神经网络可以通过逻辑函数运行，并使用抽象概念、图形和照片。传统的计算机是基于规则的，而人工神经网络执行任务，然后从中学习。

• 互补，而非相等传统的算法计算机和神经网络相辅相成。有些任务是基于算法的，不需要神经网络的学习能力。但是，任务通常需要两个系统的功能。在这些情况下，传统的计算机监督神经网络以获得更高的速度和效率。

尽管神经网络令人印象深刻，但它们仍在发展中，在解决问题的未来带来挑战的同时，也带来了希望。

Cortx的Cardinell表示，神经网络的价值和实现取决于任务，因此了解挑战和局限性非常重要:“我们的一般方法是针对我们试图解决的每个特定问题采取有效措施。在许多情况下，这涉及到使用神经网络;在其他情况下，我们使用更传统的方法。”Cardinell用这个例子说明了他的观点:“例如，在完成时态中，我们试图检测某人是否在使用一个或一个正确。在这种情况下，使用神经网络是多余的，因为你可以简单地看语音来做出决定(例如，一个香蕉是错误的)。神经网络是目前取得最大进步的领域。一两年前还不可能实现的内容质量现在已经成为现实。”

尽管神经网络很有用，但该领域的挑战也很多:

• 培训对于神经网络，特别是在机器人应用中，一个常见的批评是，对现实世界操作的过度训练是强制性的。克服这一障碍的一种方法是随机洗牌训练样本。使用数值优化算法，采用小步骤而不是大步骤来跟踪示例。另一种方法是将例子分组成所谓的“小批量”。提高训练效率和收敛能力是计算机科学家不断研究的领域。

• 理论问题未解决的问题仍然存在，即使是最复杂的神经网络。例如，尽管Facebook尽了最大努力，但它仍然发现不可能通过算法识别所有仇恨言论和错误信息。该公司雇佣了数千名人工审核人员来解决这个问题。总的来说，因为计算机不是人类，它们真正具有创造力的能力——证明数学定理、做出道德选择、创作原创音乐或深度创新——超出了神经网络和人工智能的范围。

• 不真实我们上面提到的理论挑战之所以出现，是因为神经网络并不完全像人类大脑那样运作——它们只是作为人类大脑的模拟物来运作。哺乳动物神经元如何编码信息的细节仍然是未知的。人工神经网络并不严格复制神经功能，而是以生物神经网络为灵感。这个过程允许统计关联，这是人工神经网络的基础。人工神经网络的学习过程与人类的学习过程并不相同，因此，它具有固有的(至少目前)局限性。

• 硬件问题本世纪对神经网络的关注是由于自1991年以来计算能力增长了百万倍。更多的硬件容量支持更大的多层和后续深度学习，并行图形处理单元(gpu)的使用现在将训练时间从几个月缩短到几天。尽管近年来神经网络取得了巨大的进步，但随着深度神经网络的成熟，开发人员需要硬件创新来满足不断增长的计算需求。搜索正在进行，专门为人工智能设计的新设备和芯片正在开发中。一个2018纽约时报文章中,“对人工智能的大笔押注也为芯片初创企业开辟了新的领域，”报道称，2017年“风险投资家向芯片初创公司投资了超过15亿美元”。

• 混合动力车:一项克服神经网络挑战的建议，将神经网络与符号人工智能(或人类可读的搜索、逻辑和问题表示)相结合。要成功复制人类的智慧，至关重要的是翻译程序性的知识或隐性知识(不容易被有意识的意识获得的技能和知识)，人类拥有一种使用符号和规则的明确形式。到目前为止，开发象征性人工智能的困难一直无法解决，但这种状况可能很快就会改变。

计算机科学家正在努力消除这些挑战。神经网络和人工智能领域的领导者每天都在编写更智能、更快、更人性化的算法。工程师们正在通过使用更好的硬件和不同的硬件和软件来推动改进

他补充道:“老话说得好:‘当你唯一的工具是锤子时，一切看起来都像钉子。不过并不是所有的问题都能解决，深度学习也不是对所有的问题都有效。在接下来的几十年里，有各种各样的发展可能会提供更好的解决方案:一次性学习、上下文自然语言处理、情感引擎、常识引擎和人工创造力。”

以下是神经网络技术未来可能的发展趋势:

• 模糊逻辑集成模糊逻辑识别的不仅仅是简单的真值和假值，它还考虑到相对的概念，比如某种程度上、有时和通常。模糊逻辑和神经网络集成在一起，用于筛选求职者、汽车工程、建筑起重机控制和青光眼监测等多种用途。模糊逻辑将是未来神经网络应用的一个基本特征。

• 脉冲神经网络最近，神经生物学实验数据表明，哺乳动物生物神经网络通过脉冲连接和通信，并利用脉冲的定时来传递信息和进行计算。这种认识加速了重要的研究，包括理论分析、模型开发、神经生物学建模和硬件部署，所有这些都旨在使计算更接近我们大脑的功能。

• 专门的硬件目前，开发硬件将加速并最终降低神经网络、机器学习和深度学习的价格。老牌公司和初创公司都在竞相开发改进的芯片和图形处理单元，但真正的新闻是神经网络处理单元(nnpu)和其他人工智能特定硬件的快速发展neurosynaptic架构。神经突触芯片是人工智能进步的基础，因为它们的功能更像生物大脑，而不是传统计算机的核心。凭借其Brain Power技术，IBM在神经突触芯片的开发方面一直处于领先地位。与连续运行的标准芯片不同，Brain Power的芯片是事件驱动型的，可以按需运行。该技术集存储、计算和通信于一体。

• 改进现有技术在新的软件和硬件以及当前的神经网络技术和神经突触架构不断增强的计算能力的支持下，神经网络才刚刚开始展示它们的能力。更快、更便宜、更人性化的解决问题和改进的培训方法的无数商业应用是非常有利可图的。

• 机器人目前已经有无数关于机器人的预测，它们将能够像我们一样感知、看到我们一样的东西，并对周围的世界做出预测。这些预言甚至包括一些反乌托邦版本的未来，从《终结者》电影系列银翼杀手和西方世界。然而，未来学家扬克表示，在机器人取代人类之前，我们还有很长的路要走:“虽然这些机器人正在以有限的方式学习，但说它们正在‘思考’还是很遥远的。“在这些系统能够真正以一种流畅、非脆性的方式思考之前，还有很多事情要做。我在书中提到的一个关键因素是实时建立和执行自我决定的价值观的能力，这是我们人类每天要做数千次的事情。如果没有这一点，每当条件超出预定义的范围时，这些系统就会失败。”

扬克认为，人类大脑和人工大脑之间的思维融合是我们的未来:“我认为人工智能、人工神经网络和深度学习最终将在重新训练我们的大脑方面发挥更积极的作用，尤其是随着脑机接口(bci)变得更加普遍和广泛使用。深度学习对于学习阅读和解释个体大脑的语言至关重要，它将被用于优化思维的不同方面——专注、分析和内省。最终，这可能是通往IA(智能增强)的道路，这是我们将在本世纪中叶左右看到的一种混合智能。”

神经网络的美丽新世界可能很难理解，并且不断变化，所以利用这些资源来跟上最新的发展。欧宝体育app官方888

神经网络协会主办会议，发表论文和期刊，并发布有关理论和应用的最新发现。以下是一些主要的神经网络协会的列表，以及他们如何描述他们的组织目标:

• 国际神经网络学会(INNS)该组织面向“对大脑的理论和计算理解感兴趣的个人，并应用这些知识开发新的、更有效的机器智能形式。”

• IEEE计算智能学会:这是电气和电子工程师协会(IEEE)的一个专业协会，专注于“生物和语言驱动的计算范式的理论、设计、应用和发展，强调神经网络、连接系统、遗传算法、进化规划、模糊系统和混合智能系统，这些范式包含在其中。”

• 欧洲神经网络学会(ENNS)这是一个“由科学家、工程师、学生和其他寻求学习和提高我们对行为和大脑过程建模理解的人组成的协会，开发神经算法，并将神经建模概念应用于许多不同领域的相关问题。”

• 国际预报员协会该组织“致力于发展和促进预测知识的产生、传播和使用”。

下面提供的大多数书名都是在最近两年内出版的。我们还收录了该学科的一些经典作品:

• Charu C. Aggarwal。神经网络和深度学习:一本教科书。纽约:施普林格国际出版社，2018。

• 戈德堡,Yoav。自然语言处理的神经网络方法(人类语言技术综合讲座)。威利斯顿:摩根&克莱普出版社，2017。

• Hagan, Martin T.， Demuth, Howard B.和Beale, Mark H.。神经网络设计(第二版)。马丁·哈根，2014年。

• 哈桑,穆罕默德。人工神经网络基础。剑桥:麻省理工学院出版社，2013。

• 西蒙·海金著。神经网络和学习机(第三版)。金奈:Pearson India, 2008。

• 希顿,杰夫。神经网络数学导论。希顿研究公司，2012。

• 泰勒,迈克尔。制作你自己的神经网络:初学者的深度视觉介绍。独立出版，2017。

神经网络的世界有自己的语言。以下是一些资源，可以扩展您的欧宝体育app官方888技术词汇和对该领域的理解:

• ESA神经网络术语表:来自欧洲航天局Earthnet在线网站的神经网络术语汇编

• 神经网络术语:一个经常更新的最新术语列表，来自科技写作源网站，媒介

• Skymind人工智能维基词汇表一个经常更新的关于神经网络和深度人工网络的明确定义的术语汇编

通过设计一个灵活的平台来满足你的团队的需求，并随着需求的变化而适应，从而使你的员工能够超越自己。

Smartsheet平台可以轻松地从任何地方计划、捕获、管理和报告工作，帮助您的团队更有效地完成更多工作。报告关键指标，并通过汇总报告、仪表板和自动工作流实时了解工作情况，以保持团队的联系和信息。

当团队对要完成的工作有了清晰的认识时，就不知道他们在同样的时间内能完成多少工作。今天就免费试用Smartsheet吧。