21-现实世界的应用

7.8　现实世界的应用

尽管人工神经网络在20世纪中叶就已被首次设想出来，但直到近十年才变得司空见惯。由于缺乏性能足够强大的硬件，人工神经网络的广泛应用曾经饱受阻碍。现在机器学习领域中增长最火爆的就是人工神经网络了，因为它们确实有效！

近几十年以来，人工神经网络已经实现了一些最激动人心的用户交互类计算应用，包括实用语音识别（准确度足够实用）、图像识别和手写识别。语音识别应用存在于Dragon Naturally Speaking之类的录入辅助程序和Siri、Alexa、Cortana等数字助理中。Facebook运用人脸识别技术自动为照片中的人物打上标记，这是图像识别应用的一个实例。在最新版的iOS中，可以用手写识别功能搜索记事本中的内容，哪怕内容是手写的也没问题。

光学字符识别（Optical Character Recognition，OCR）是一种早期的识别技术，神经网络可以为其提供引擎。扫描文档时会用到OCR技术，它返回的不是图像，而是可供选择的文本。OCR技术能让收费站读取车牌信息，还能让邮政服务对信件进行快速分拣。

本章已演示了神经网络可成功应用于分类问题。神经网络能够获得良好表现的类似应用还有推荐系统。不妨考虑一下，Netflix推荐了你可能喜欢的电影，Amazon推荐了你可能想读的书。还有其他一些机器学习技术也适用于推荐系统（Amazon和Netflix不一定将神经网络用于推荐系统，它们的系统似乎是专用的），因此只有对所有可用技术都做过研究之后，才应该考虑采用神经网络。

任何需要近似计算某个未知函数的场合，都可以使用神经网络，这使它们很擅长预测。可以用神经网络来预测体育赛事、选举或股票市场的结果，事实上也确实如此。当然，预测的准确程度就要看训练有多好，与未知结果事件相关的可用数据集有多大，神经网络的参数调优程度如何，以及训练要迭代多少次了。像大多数神经网络应用一样，用于预测时最大的难点之一就是确定神经网络本身的结构，最终往往还是得靠反复试错来确定。