¿Cómo elegir la red neuronal para proyectos? ¿Qué red neuronal debo usar para detectar el equipaje abandonado usando el aprendizaje autodidacta?

La primera pregunta realmente debería ser dar un razonamiento exhaustivo detrás de por qué desea utilizar ML sobre otras técnicas estadísticas. Entonces, ¿por qué quieres usar DL sobre otras técnicas? Entonces, y solo entonces, debería contemplar el tipo apropiado de red neuronal. En general, el tipo de red neuronal depende tanto de la complejidad de la tarea que está realizando, la disponibilidad / cantidad de datos, y cómo se realiza la tarea. Aquí hay unos ejemplos. Para hacer algo, enumere la clasificación de dígitos MNIST, donde los dígitos son bastante sencillos de distinguir, probablemente no necesite un marco DL, pero si elige usar uno, el modelo más directo es un perceptrón de percepción / multicapa (MLP) y esto ha resultado ser suficiente para obtener buenos resultados. Recuerde, un NN más sofisticado no es mejor, ya que aunque la intuición diría que debería comportarse tan bien como algo más simple, este no es el caso. Para una tarea como predecir la siguiente palabra en una oración, el modelo que desea es RNN, donde la R significa recurrente, ya que repetidamente realizará la misma tarea. Esto trae un nuevo punto, ya que muchos NN tienen muchos tipos diferentes de implementaciones. Para esta tarea, lo que desea es un LSTM, que significa memoria a corto y largo plazo, ya que desea predecir la nota de las siguientes palabras solo en función de la palabra anterior, pero el contexto que vino incluso antes de la palabra anterior.

Para una tarea como identificar el equipaje como abandonado o no, tiene razón en que un NN es viable ya que esta es una tarea de clasificación, y si desea realizar un autodidacta (aprendizaje no supervisado) esto puede ser posible con un NN, pero usted probablemente sea mejor utilizar técnicas en el campo de la visión (visión por computadora) que serán más específicas para su tarea y también utilizarán herramientas más apropiadas del dominio del análisis de imágenes como ejemplo.