Los siguientes son los 5 paradigmas que se pueden usar para hacer Machine Learning. El enfoque conexionista se llama Aprendizaje profundo. Veamos algunas características únicas de Deep Learning. Lea este documento para más detalles.
Crédito de la foto: 5 tribus del aprendizaje automático: preguntas y respuestas
- ¿Se pueden combinar blockchain y machine learning?
- ¿Para qué sirve el aprendizaje automático o la inteligencia artificial?
- Cómo calcular gradientes en una red neuronal de avance utilizando matrices
- ¿Cuál es la diferencia clave entre un autoencoder variacional y una red adversa generativa, y cuándo debo usar cada modelo?
- ¿Qué tema es importante para la ingeniería integrada, las redes neuronales o la automoción moderna?
- Los modelos de aprendizaje profundo están hechos de redes neuronales profundas. Estas redes son composiciones complejas de funciones que agregan muchas no linealidades.
- El entrenamiento del modelo de Deep Learning se ocupa principalmente de encontrar mínimos de funciones no convexas. Durante mucho tiempo, la gente pensó que las redes neuronales no funcionan porque se atascan en los mínimos locales, pero los datos empíricos ahora sugieren que ese no es el caso.
- Deep Learning exhibe propiedades de aprendizaje de representación. Podemos alimentar estos modelos con datos brutos como vectores de palabras N-hot o valores de píxeles de imagen y los modelos aprenden características de los datos sin procesar automáticamente. La ingeniería de características ya no es el foco.
- Deep Learning utiliza el mismo tipo de modelos para todos los dominios. El procesamiento del lenguaje natural, el habla y la visión se modelan utilizando diferentes tipos de redes neuronales. Esto permite un lenguaje común y conduce a interesantes aplicaciones de dominio cruzado.
- Los resultados empíricos de Deep Learning están por delante de los resultados teóricos. Ni siquiera entendemos cómo funciona la generalización en estos modelos.
- En mi opinión, el aprendizaje profundo es una de las pocas formas de hacer aprendizaje automático donde la capacidad de manejar grandes conjuntos de datos es una de las características definitorias. También es una debilidad ya que DL para pequeños conjuntos de datos es un desafío.
- Ahora es responsable de MUCHOS resultados de última generación. Está generando mucha atención justificada y exageración injustificada.