May, 2022

商务分析中的深度学习：期望与现实的冲突

PDF
TL;DR该论文论述了深度学习虽然备受欢迎，但在商业分析领域普及存在困难，原因是计算复杂度、数据结构、缺乏透明度（黑匣子）和人才短缺等问题，而且在结构化数据集上无法优于传统的机器学习模型。因此，应该把深度学习视为现有机器学习模型的有力补充，而非通用解决方案。
发现论文，激发创造
  • 深度学习在商业分析和运筹学中的模型、应用和管理启示

    本文综述了如何在商业分析中利用深度神经网络以提高预测表现，研究了来自创业项目的真实数据案例，并提供了一些关于定制化架构和使用深度学习的指导和实践建议。

    Jun, 2018

  • 金融应用中的深度学习：一项调查

    本文是一篇对于当前金融应用发展的深度学习模型的综述，分析了如今各个子领域中广泛应用的深度学习模型，并提出了未来的研究方向。

    Feb, 2020

  • 机器学习 vs 深度学习：泛化问题

    比较了传统机器学习模型与深度学习算法在推广能力方面的差异，发现深度学习模型具有在训练数据范围之外进行推广的内在能力，对实际应用中的不完整或超出观测范围的数据具有重要意义。

    Mar, 2024

  • 科学中的深度学习

    这篇文章利用自然语言处理技术，针对多个领域的相关研究文献分析了深度学习技术的扩散和影响，在研究健康科学的过程中发现，深度学习技术的采用虽然与知识结构的颠覆和再组合的新颖性呈现负相关，但却能提高期望和引用性能方面的变异性。因此，深度学习方法可以作为一种通用的科学方法，以可衡量的方式推动科学的进展。

    Sep, 2020

  • 越界：深度学习及其 (非) 鲁棒性的严格理解

    本研究回顾了深度学习的鲁棒性问题，尤其是从近似理论到统计学习理论的关注和尝试，并回顾了贝叶斯深度学习作为不确定性量化和严格可解释性的一种手段。

    Jul, 2023

  • 医疗保健中的深度学习：详细分析

    本文综述了深度学习模型及其在生物信息学和医疗保健领域中的广泛应用，涵盖了不同结构的 DL 模型，并讨论了进行 DL 研究时可能遇到的一些关键挑战。

    Feb, 2023

  • 教育数据科学的深度学习

    深度学习应用于教育数据科学的调查和讨论，主要涉及深度神经网络、知识追踪模型和自动情感与行为检测器等领域。

    Apr, 2024

  • 揭示深度学习的前沿：塑造多样领域的创新

    通过综合研究文献，本文广泛探讨了深度学习在各个学科中的潜在应用，以及相关的优势和挑战，验证了深度学习在预测分析方面的准确性和优势，使其成为一种强大的计算工具。深度学习独立于训练数据，因此需要大量的数据进行有效的分析和处理。为了处理大量的医疗、科学、医疗保健和环境数据，可以利用诸如 LSTMs 和 GRUs 的门控架构。对于多模态学习，神经网络中的共享神经元和特定任务的专用神经元是必要的。

    Sep, 2023

  • 针对 IoT 大数据和流式分析的深度学习：一项调查

    本文介绍了在 IoT 领域中使用深度学习技术进行分析和学习的综述，包括 IoT 数据的特征和处理方法，以及深度学习算法及其在 IoT 领域中的应用和挑战，同时讨论了智能 IoT 设备背景下应用深度学习的实现方法，以及在雾计算和云中心的运用。

    Dec, 2017

  • 深度学习的计算界限

    通过对深度学习应用的依赖程度的分析，本文发现目前的进展主要依赖计算能力的提升。然而，这种趋势在经济、技术和环境上都具有不可持续性。因此，要想在这些应用领域取得更进一步的进展就必须依靠更为高效的计算方法，这要么意味着改变深度学习的方法，要么就是使用其他机器学习方法。

    Jul, 2020