昨天我在文章中写了一些关于神经网络（以下简称为NS）的想法，并且不恰当地称呼它，这没有逃避我对天才的仰慕者的注视，他们指责我以狡猾而响亮的标题诱使他们阅读它们一个杰作。 因此，为了弥补本文中不合理的期望的痛苦，我向法院提出了对国民议会某些适用领域的严格而公正的公众思考。
因此，NS的范围。 在我看来，一段时间后，这个标题也将看起来像“数学的应用领域”，即，首先，数学的应用领域非常广泛，其次，它并没有说明我们在谈论什么具体的数学小节。 神经网络将用于无数领域，它们的体系结构将有许多变体，并且由于它们基于相似的原理，因此它们能够解决与我们的大脑相同的所有任务。
在上一段中，我没有说他们能够解决这些问题多长时间以及在什么计算机特性下。 即使NS的性能等于大脑的生产力（根据Ray Kurzweil所说，这是几十年的事），我们仍然不知道大脑是如何工作的以及它的各个部分是否经过预训练。 在这里，我指的是由数百万年的进化形成的“遗传记忆”。 也就是说，可以在出生时立即设置人脑神经元的键结构及其强度（NS中的读权重），并在生活中适应特定的环境。 例如，诺姆·乔姆斯基（Noam Chomsky）（著名的语言学家）认为，该语言的某些语法（如果愿意的话，它是OOP的基础语言）已经诞生。 但是，让我们考虑一个遥远的未来，甚至现在。
神经网络被称为机器学习技术，显然是由于对数据的训练（参数设置）是不可或缺的一部分。 因此，神经网络可以解决与机器学习有关的问题，即：分类，回归，聚类。 NS也可以用于强化学习任务。 此类技术用于决策系统。 例如，被Google收购的DeepBrain公司刚刚教会NS玩视频游戏。 相反，他们的NS只是看着屏幕自己学习。 类似的NS可以驾驶汽车。 但是，关于这一切的文章很多，而且我看不出要重述别人的想法。
我想根据NS使用的数据类型来描述NS的应用领域：数字，图像，文本，声音，语音，视频。
不同的网络体系结构可以很好地处理不同的数据。 例如，卷积网络用于图像，而循环网络用于语音识别。 它们还用于自然语言处理：在机器翻译任务，对话系统中。 对于预测，逼近和回归问题中的“数字”数据类型（非正式地说，所有这些都归结为存在使用NS建模的某些功能这一事实），可以使用标准的多层感知器。
今天，让我们仅将自己局限于NS在图像处理中的应用领域；可以为其他类型的数据绘制许多类比。
所以
- 您可以使用NS在图像上定义某些内容（分类任务）。 它可以是手写体，猫，狗，脸或肿瘤-无论如何，都是NS。 因此，它可以应用于您拥有图像（照片）和您感兴趣的对象的任何区域。 识别情绪，识别路标，汽车号码，地图上的秘密物体等。
- NS可以使图像风格化。 可以在KDPV上看到一个示例。 在著名艺术家的绘画中训练NS，然后将您的照片更改为所选样式。 例如，Prizma就是这样做的（我想知道他们是否会付钱给我做广告？）。 与视频类似的是Facebook购买的MSQRD。 对于语音，可以想象其失真。 好吧，对于声音-音乐的程式化。
- NS可以在其他图像中搜索与您的图像相似的对象。 例如，FindFace.ru。 据我了解，纳塔利娅·埃弗雷莫娃（Natalia Efremova）在其中工作，他就国民议会作了报告，其文章是关于哈布雷的。
- NS可以生成新图像。 写新文本，创作音乐作品。 这个想法简单而优雅：训练NS，然后用输入反转输出。
图片不太相关。
- 国民议会可以理解照片中确切显示的内容，即确定语义的含义。 因此，国民议会不仅可以说照片中有人，而且可以用文字描述整个场景：一个穿着红色上衣的女孩抚摸着猫。
神经网络可以用作记忆，它们可以记住信号，图像的一部分。 这可以用于数据压缩或用作哈希函数。 说到哈希函数，不能不提及在加密技术中使用NS的情况。 NS可用于加密数据。 我不知道是否有任何现有的实现或想法，但是我不知何故认为NS甚至可以用于密码分析：在一组加密文本（纯文本）上训练她，然后给她一个新的加密文本，并希望得到解密，因此它内部的密钥参数近似加密算法的操作。
这些是国民议会的某些（不是全部）应用领域。
感谢您的关注！