El aprendizaje profundo (redes neuronales (MN)) es una forma de aprendizaje automático (ML), por lo que la pregunta no tiene sentido …
Si reformula la pregunta como “¿Es el aprendizaje profundo más prometedor que otras formas de ML?”, Entonces lo respondería de esta manera:
En primer lugar, el “Teorema de no almuerzo gratis” dice que no hay un mejor algoritmo que sea el mejor en todos los casos:
- ¿Qué hace la informática afectiva?
- ¿Cómo sabremos cuándo una entidad de IA se ha vuelto consciente de sí misma?
- ¿Cuáles son algunas de las funciones de entrada de aprendizaje automático para la detección de objetos?
- ¿Los robots, la automatización, la inteligencia artificial y las computadoras nos dejarán a todos desempleados?
- Si llegamos a AGI (inteligencia general artificial), ¿comenzaremos un nuevo tipo de esclavitud?
Sin almuerzo gratis en búsqueda y optimización – Wikipedia
En segundo lugar, NN usa la fuerza bruta para encontrar relaciones ocultas entre características. Esto significa que necesita grandes cantidades de datos de entrenamiento, además de mucho tiempo y / o hardware para entrenarlo. También es computacional más costoso ejecutar un NN.
En tercer lugar, “se requiere algún ensamblaje”. NN necesita una gran cantidad de ajustes precisos con los hiperparámetros, sin mencionar el diseño de NN en sí, además de que tiene que ejecutar cuidadosamente algoritmos de búsqueda / optimización de valores para las “neuronas”.
En cuarto lugar, el modelo que obtienes puede ser extremadamente difícil de interpretar en comparación con otras técnicas de ML.
Dicho esto, NN ha hecho un progreso sorprendente en los campos que se han estancado durante años, en particular con la visión por computadora y el reconocimiento de voz. Mi teoría es que esos datos son una “pila de bits” que son demasiado complejos para que un humano extraiga adecuadamente un conjunto de buenas características para usar otros métodos de ML. En esas áreas, NN ha sido revolucionario.
