Hay bastantes aplicaciones, que intentaré enumerar.
- Clasificación de imágenes : en la actualidad se utilizan muchos algoritmos de aprendizaje automático para la clasificación, incluidos SVM, ANN y otros, codificadores automáticos y algoritmos de aprendizaje profundo. (Para aplicaciones prácticas: algunos de estos algoritmos están disponibles en software estándar de procesamiento de SIG e imagen como ArcGIS, ENVI, etc. Si no puede permitirse el lujo de un software propietario, siempre puede usar QGIS o R para probar los algoritmos)
- Reducción geoestadística de datos cuadriculados , en donde, a partir de ahora, se utilizan algoritmos ML como el análisis de regresión. Hay muchas posibilidades en esta área para futuras investigaciones.
- Se utilizan muchos algoritmos, incluidos SVM, ANFIS (sistema de inferencia neuro-difuso adaptativo), neurocomputación, algoritmos genéticos para aplicaciones en problemas hidrológicos, de ciencias de la tierra, agrícolas y de ciencias atmosféricas en los que intervienen datos de teledetección.
En resumen, aparte de los estudios y modelos basados en la física, la investigación estadística (en la que vienen ML e IA) son herramientas esenciales en la investigación de RS y SIG.
- Si solo aumento el número de capas de Neural Net simple con alguna función de activación, ¿lo convierte en Deep Learning?
- Soy un hombre de 25 años que estudió CS, aprendizaje automático y minería de datos para mi maestría. Mi verdadera pasión radica en la música y los viajes. He estado sin trabajo durante 7 a 8 meses, solicito un doctorado en ML y música, y mi papá quiere que consiga un trabajo. ¿Qué debo hacer?
- ¿Qué quiere decir con redes neuronales lineales profundas / no lineales?
- ¿Cómo usa Apple el aprendizaje profundo?
- ¿Qué lenguajes de programación son adecuados para el procesamiento del lenguaje natural?
