Esto no solo es posible, sino que ya está sucediendo en algunas implementaciones de redes neuronales, especialmente redes de aprendizaje profundo. La clave para dicha meta-automatización es una técnica llamada ingeniería de características . La ingeniería de características en redes neuronales permite que las combinaciones de entradas de los datos de entrenamiento a estas redes neuronales se consideren como una entrada o una característica, lo que reduce significativamente la función de pérdida de la red neuronal. El resultado de esto es que podemos mejorar la eficiencia de las redes neuronales al incluir automáticamente características que no incluiríamos.
Las técnicas de aprendizaje profundo (que son redes neuronales con cientos de capas ocultas) pueden lograr esto más fácilmente que las técnicas estándar de aprendizaje automático, como los algoritmos de árbol de decisión o la regresión de mínimos cuadrados. En el proceso, las redes de aprendizaje profundo pueden aprender relaciones muy complejas de los datos de entrada y son excelentes para tareas de reconocimiento de patrones. Como resultado, las redes de aprendizaje profundo se utilizan en el procesamiento de imágenes, la detección de regiones en imágenes, los subtítulos, el procesamiento de audio y otras técnicas relacionadas.
- ¿Qué RAM debo instalar en mi PC 2005? Ahora corre lento; ¿Es este el resultado de instalar Windows 7? ¿Cómo puedo acelerarlo?
- ¿Cuál es el método de fuerza bruta?
- ¿Cuáles son sus experiencias como consultor en ciencia de datos?
- ¿De qué están hechas las trackballs?
- ¿El aprendizaje automático es una estafa?
