Trataré de mantenerlo lo más general posible. Todos los algoritmos que menciona siguen un patrón general de
n_examples_of (entrada + salida) -> modelo
Esto funciona bien para una gran cantidad de casos. Seguiremos esto con un simple problema en cuestión. Digamos que queremos clasificar los portaobjetos de sangre en función de algún criterio (digamos que contienen WBC o no).
- ¿Hay buenos libros o cursos para comenzar a aprender redes neuronales?
- Cómo incorporar nuevas características en los modelos de aprendizaje automático existentes
- Cómo escribir una aplicación simple de autoaprendizaje usando Scala que comprenda las entradas del lenguaje natural
- ¿Cómo se compara el NVIDIA DGX-1 con el Big Sur de Facebook?
- ¿Cuál es la diferencia entre una red neuronal de alimentación directa y una red neuronal recurrente?
Convencionalmente, uno procesaría esta imagen para producir “características”. Algunos comunes son:
- Filtros de borde
- Histograma de gradientes
Estos para las entradas para nuestros clasificadores. No siempre es el caso que sepamos cómo procesar la imagen en bruto y producir las “características” correctas para que nuestros algoritmos funcionen bien.
Ingrese al aprendizaje profundo
El aprendizaje profundo se trata de aprender las abstracciones correctas. La arquitectura profunda podría aprender primero los bordes y las esquinas, luego usar esos aprende el concepto de “celdas” y luego usar eso para determinar cómo se ve un WBC.
Este es un caso simple. El aprendizaje profundo brilla cuando no sabemos cuáles son las “características” correctas.
Otras lecturas
Visualizar representaciones: aprendizaje profundo y seres humanos
Teorema del patito feo – Wikipedia
Característica de aprendizaje – Wikipedia