这个我觉得还真的挺难的，数据之间的关系，公司内部员工恐怕都无法完全说清楚，与其通过算法让机器学习，我倒觉得不如人工对数据进行整理，发现数据之间的关系，毕竟一个公司数据再多，梳理过程也只是一次性的，而且数据类型不会不停增长变化。...

无标题.png深度学习与传统机器学习最大的不同是更关注于样本训练的深度，更细力度地抽取特征用于描述样本，而非简单地形成向量数据，从而更好地进行分类预测。更细致地抽取意味着计算量的增大，但是随着大数据技术和GPU等硬件技术的发展，这些巨大的计算量也变得可能。...

早些年，金融行业的信息技术部门只是被人当做技术性运维部门，说难听点，跟修机器的也没什么区别。但是最近几年随着互联网信息化的发展，金融公司也开始转变思维做差异化服务，做具有核心竞争力的自主化产品，以往各个公司购买相同产品，靠业务经理拉客户的传统模式越来越弱化，技术将直...

无标题1.png包含深度学习组件、大数据平台及底层硬件。各个组件之间的协作需要调度引擎、服务接口、开发IDE等工具进行协调，其实跟我们写大数据的计算任务没有本质区别。

如果纯粹考虑存储，这不是深度学习平台需要考虑的事情，这应该是普遍性的数据存储需求，数据源的存储方式还是比较多的，结构化的可以考虑大数据平台，非结构化的也可以使用大数据平台，也有些对象存储数据库。对于深度学习平台来讲，这些数据源本身并没有迫切的必要一定要放在一起才能...

如果数据量较大，您说的采集、存储、数据管理和计算应该由大数据平台处理，基于大数据处理的结果，深度学习系统可以进行预处理、训练、形成模型、分类预测，如果数据量较小，深度学习系统需要直接在本机上实现数据采集等准备工作。比如图像识别，需要准备图片样本和类别标签，系统读取...

图像识别的应用模型比较成熟，实现算法比较经典的是卷积神经网络。语音识别的应用模型也比较成熟，实现算法比较经典的是卷积神经网络和隐马尔科夫模型。现成的算法库已经很多，自己造算法的代价比较高，而且效果并不一定很好，面对应用主要还是要考虑抽象业务模型。...

我使用比较多的是大数据平台，所以主要推荐这个，而且这个平台上自带分布式计算引擎，可以用于数据预处理等计算过程。

以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策，说白点就是机器代替人交易。深度学习通过训练行情、资讯...

第一个，客户画像，银行存了客户那么多钱，首先需要搞清楚的就是客户都是什么样的人，哪些是高端客户，哪些是潜在高端客户。第二个，风险控制，比如某个时间点资金流向过多，是否会产生不良影响等等，及时防范金融风险和金融欺诈。第三个智能理财推荐，现在银行都推出了自己的理财产品，但是什...