¿El aprendizaje automático es tan bueno como los datos que se presentan? En caso afirmativo, ¿se puede eliminar esta dependencia?

Dado que el aprendizaje automático hace un uso intensivo de los datos que se le presentan, puede estar seguro de que serán tan buenos como los datos que se le presentan. Lo haces jugar las partidas de ajedrez con los mismos movimientos, jugará continuamente los mismos movimientos incluso si ejecutas el mismo conjunto de juegos una y otra vez. Del mismo modo, con la clasificación de datos también, debe seguir clasificando los datos para que reconozcan la relevancia y luego se orienten hacia la dirección deseada. El aprendizaje automático es principalmente como los sistemas de control, es autoaccionable pero solo con información y comentarios adecuados. Es como se establece, si las muestras de datos son demasiado pequeñas, el error en estado estacionario tiende al infinito. A medida que se suministran los datos, el error baja y se alcanza el estado óptimo. La dependencia no se puede eliminar, los conjuntos de datos presentados deben ser diversos y en la dirección que desee. Para darle un ejemplo, podemos pensar en ML como un niño. Solo aprende lo que le enseñan. Si no es reprendido cuando comete un error, comete el mismo error. Si tiene una mala crianza, el niño resultará ser un huevo malo. Si eres demasiado estricto, el niño no deambula por los territorios, no será un resultado deseado. Por lo tanto, los datos que presenta es el Santo Grial de su línea de vida.