深度學習應不會成為工業大資料分析的主流演算法
30年來，很多論文涉及人工神經元方法在工業界的應用。但在我看來，實際應用價值並不像論文上寫的那麼理想。真正成功應用的有，但非常少。很多人用這種方法寫論文，往往是另有所圖——這一點，有些人其實是明白的，只是不願意說透。神經網路的一個重要缺陷是訓練結果的可靠性不夠，適合的工業場景不多。
在這裡我還是要推薦下我自己建的大資料學習交流qq裙： 957205962， 裙 裡都是學大資料開發的，如果你正在學習大資料 ，小編歡迎你加入，大家都是軟體開發黨，不定期分享乾貨（只有大資料開發相關的），包括我自己整理的一份2018最新的大資料進階資料和高階開發教程，歡迎進階中和進想深入大資料的小夥伴
大資料和深度學習之間，有密切的聯絡：只有在大資料的條件下，深度學習才容易成功。深度學習方法對於視訊、音訊識別是有效的，也取得了不小的成功。但在工業界多數場景，深度學習方法卻未必有效：許多工業場景太複雜、對可靠性的要求又太高。我的判斷是：深度學習可以偶爾製造轟動效應、可以發論文，但不一定是工業界的常規演算法。這就好比野山參可以做補品，但不能當糧食吃。
有人提出過大資料理論的一個特點：簡單演算法勝過複雜的演算法。這句話背後的原理應該是：大資料演算法的本質是模仿已有的、相近的案例。這種判斷基於大資料的一個特點“樣本=全體”：日光底下無新事，總有一款適合你。我判斷，未來隨著資料的增多，近鄰方法、聚類方法以及相關變異的方法可能會在工業大資料領域大行其道。
近鄰方法、聚類方法很簡單，但在工業中用好也不容易。比如，近鄰“資格”的判斷、權重選擇，都可以與具體領域知識相結合，讓演算法變成一種“藝術”。大資料應用的思想是簡單的，但細節可能比較複雜。工業對確定性要求高，很多工業技術的特點，都是這一要求決定的。
30年來，很多論文涉及人工神經元方法在工業界的應用。但在我看來，實際應用價值並不像論文上寫的那麼理想。真正成功應用的有，但非常少。很多人用這種方法寫論文，往往是另有所圖——這一點，有些人其實是明白的，只是不願意說透。神經網路的一個重要缺陷是訓練結果的可靠性不夠，適合的工業場景不多。
大資料和深度學習之間，有密切的聯絡：只有在大資料的條件下，深度學習才容易成功。深度學習方法對於視訊、音訊識別是有效的，也取得了不小的成功。但在工業界多數場景，深度學習方法卻未必有效：許多工業場景太複雜、對可靠性的要求又太高。我的判斷是：深度學習可以偶爾製造轟動效應、可以發論文，但不一定是工業界的常規演算法。這就好比野山參可以做補品，但不能當糧食吃。
在這裡我還是要推薦下我自己建的大資料學習交流qq裙： 957205962， 裙 裡都是學大資料開發的，如果你正在學習大資料 ，小編歡迎你加入，大家都是軟體開發黨，不定期分享乾貨（只有大資料開發相關的），包括我自己整理的一份2018最新的大資料進階資料和高階開發教程，歡迎進階中和進想深入大資料的小夥伴
有人提出過大資料理論的一個特點：簡單演算法勝過複雜的演算法。這句話背後的原理應該是：大資料演算法的本質是模仿已有的、相近的案例。這種判斷基於大資料的一個特點“樣本=全體”：日光底下無新事，總有一款適合你。我判斷，未來隨著資料的增多，近鄰方法、聚類方法以及相關變異的方法可能會在工業大資料領域大行其道。
近鄰方法、聚類方法很簡單，但在工業中用好也不容易。比如，近鄰“資格”的判斷、權重選擇，都可以與具體領域知識相結合，讓演算法變成一種“藝術”。大資料應用的思想是簡單的，但細節可能比較複雜。工業對確定性要求高，很多工業技術的特點，都是這一要求決定的。