Figure 2: Some Applications of Artificial Intelligence

Step 4: Recognition-
Recognition Phase 
•
This can be done by using any basic machine learning classification 
algorithm 
SVM classifier, Bayesian classifier, Euclidean Distance classifier,
for matching database feature vector with query feature vector.
•
Gives ID of best matching face image from database as a recognition output.
65

---

Conclusion
•
Deep learning is a representation learning method and the new state-of-the-art 
technique for performing automatic feature extraction in large unlabeled data
•
Various categories of deep learning architectures and basic algorithms together with
their related approaches have been discussed
•
Several theoretical concepts and practical application areas have been presented
•
It is a promising research area for tackling feature extraction for complex real-world
problems without having to undergo the process of manual feature engineering.
•
With the rapid development of hardware resources and computation technologies, 
it is certain that deep neural networks will receive wider attention and find broader 
applications in the future.
66

---

References
•
Afridi, M. J., Ross, A., & Shapiro, E. M. (2017). On automated source selection for transfer learning 
in convolutional neural networks. Pattern Recognition.
•
Araque, O., Corcuera-Platas, I., Sánchez-Rada, J. F., & Iglesias, C. A. (2017). Enhancing deep 
learning sentiment analysis with ensemble techniques in social applications. Expert Systems with 
Applications, 77, 236-246.
•
Betru, B. T., Onana, C. A., & Batchakui, B. (2017). A Survey of State-of-the-art: Deep Learning 
Methods on Recommender System. International Journal of Computer Applications, 162(10).
•
Chen, Y. H., Krishna, T., Emer, J. S., & Sze, V. (2017). Eyeriss: An energy-efficient reconfigurable 
accelerator for deep convolutional neural networks. IEEE Journal of Solid-State Circuits, 52(1), 127-
138.
•
Cho, K., Raiko, T., & Ihler, A. T. (2011). Enhanced gradient and adaptive learning rate for training 
restricted Boltzmann machines. In Proceedings of the 28th International Conference on Machine 
Learning (ICML-11) (pp. 105-112).
67

---