深度学习框架使用tensorflow等，底层使用GPU加速运算或依赖大数据平台的计算能力。tensorflow与容器结合，可以充分利用资源，在计算紧张时增加计算节点，在计算空闲时，减去一些节点，是一个非常好的研究方向，理论上是可以通过将两者结合做成一个共享的平台，需要进一步实践。基于tenso...

从技术上考量，肯定是要用您说的第二种比较好，从易到难，这样每个阶段都有成果输出，不然一下子切入到很难的工作中，往往会遇到很多困难和问题，而且也没有成就感。做这些智能系统，技术上是没有唯一的标准的，都是在探索中前进，目标是100%，但是几乎很难达到，所以肯定要分阶段实施，不断逼近...

应用场景也很多，比如智能投顾、智能盯盘、智能风控、智能客服、智能资讯机器人等等，现在有些场景已经落地，比如智能投顾、智能客服。在这些场景中应用深度学习，会带来技术性的变革，使以前完全或大部分靠人去做的事情可以自动化，更具时效性，信息量也更全，这将很大程度上提升券商的...

认为不可解释是将深度神经网络当成一个黑盒子来使用。咨询过一些数据科学家，他们认为深度网络实际上是一个有效信息提取抽象的过程，其实深度神经网络的每一层（又叫特征图）都是很有用的，合理地使用深度学习技术，可以更好将研究的事物转换成一个易于处理的特征（数值向量）来处理。图...

tensorflow是支持分布式部署的，现在也能运行在大数据平台上，被yarn调度运行，性能应该是不错的，毕竟是谷歌出品。选择一个合适自己的框架是非常重要的，需要考虑的是自己业务的需求是否能满足，比如是否要分布式计算，是否易用，与大数据平台是否需要互通，是否易于管理等等，这需要对这些...

1、准确率 这是模型最直接的检验，准确率越高，模型肯定是越好的。2、自我学习能力 出错情况的自我学习能力，能否快速找到失败原因，进而自我完善算法模型，这个能力越强，模型也会越来越准确3、运行效率 算法模型的运行效率决定了结果输出的效率，运行效率越高，结果输出越快，就比...

深度学习的再次兴起，其实是当前海量数据和计算能力提升的一次必然趋势，让我们可以尝试用机器的计算能力，加速专家经验到计算机处理能力的转换。目前来看机器学习比深度学习通用性更高，并不是所有问题都可以使用深度学习取代机器学习完美的解决，但是在一些数据量更大，模型场景更...