入门教程：介绍给你一些流行的深度学习应用程序！

点击上方关注，All in AI中国

作者：Connor Shorten

如今，深度学习已经成为当前最热门的技术之一。在深度学习方面有很多研究论文，而人们跟上其技术的发展可能真的很难。

深度学习有着许多令人兴奋的研究课题，例如生成对抗网、自动编码器，以及强化学习等。在这些领域进行的研究令人敬畏，并将引发人们更多的兴趣，然而，大部分研究尚未准备好在现代软件项目工作流程中实施。

在本文中，我将介绍一些流行的深度学习应用程序，这些应用程序经常用于Web和移动应用程序，并提供一些很好的入门教程。

讨论科幻领域之外的深度学习以及未来的可能性，软件工程师、业务人员和应用程序开发人员想知道：深度学习现在如何为其提供帮助？

从某种意义上说，你可以找到详细介绍如何实现这些算法的优秀教程和源代码；并且实现相对容易，这里有一些稳定且普遍适用的深度学习应用程序。

推荐引擎

Netflix、亚马逊、Spotify以及更多应用程序依赖其推荐引擎来增强用户体验，并为其用户提供更好的服务。幸运的是，对于应用程序来说，开始使用自己的推荐引擎并不困难。

推荐引擎分为两大类：基于内容的方法和协同过滤的方法。基于内容是指将应用中的对象量化为一组特征并拟合回归模型，以根据用户自己的数据预测用户的趋势。协作过滤更难以实现，但由于它整合了整个用户群的行为以对单个用户进行预测，因此性能更好。

这两种策略方法都能够利用大型数据集上的深度网络进行生产性分类和回归性能。

根据经验，你可能会发现最好先使用基于内容的引擎，直到拥有相当大的用户群。在那里，你可能希望完全切换到协作过滤，或者让系统学习优化引擎的两个模型之间的权重，例如：

协作过滤的Keras代码https://github.com/bradleypallen/keras-movielens-cf

对主题的进一步说明

https://hackernoon.com/introduction-to-recommender-system-part-1-collaborative-filtering-singular-value-decomposition-44c9659c5e75

文本情感分析

许多应用程序都在其内置了评论或基于评论的审核系统。自然语言处理研究和递归神经网络已经取得了长足的进步，现在完全可以在应用程序的文本上部署这些模型，以提取更高级别的信息。这对于评估评论部分中的情感极性或通过命名实体识别模型提取有意义的主题非常有用。

这些模型也可以用于内部决策和战略决策。

更多关于情感分析的有用之处：

https://medium.com/senno/its-time-to-learn-what-sentiment-analysis-can-do-for-you-57f98a92f787

示例代码：

https://towardsdatascience.com/another-twitter-sentiment-analysis-bb5b01ebad90

更多样本代码：

https://towardsdatascience.com/understanding-lstm-and-its-quick-implementation-in-keras-for-sentiment-analysis-af410fd85b47

聊天机器人

另一个科幻小说类型的非常有趣的的应用程序是聊天机器人。许多人认为聊天机器人是网络中下一代用户界面的支柱之一。聊天机器人可以通过对话和递归神经网络的样本进行训练。目前有很多关于如何构建聊天机器人的教程：