En teoría, las redes neuronales se pueden usar para construir casi todo tipo de modelos de aprendizaje automático. Por el momento, se está llevando a cabo una investigación activa en el dominio del Aprendizaje supervisado, Aprendizaje por transferencia, Aprendizaje no supervisado y Estimación de densidad de probabilidad, por nombrar algunos. Mira esta lista de documentos para tener una idea.
Sin embargo, en la práctica, a partir de 2017, se han logrado resultados de vanguardia en problemas que tienen las siguientes propiedades:
- Disponibilidad de grandes cantidades de datos . Por ejemplo, horas de transcripción del discurso o miles de imágenes etiquetadas.
- Estructura compleja en datos . Las redes neuronales son buenas para aprender características que explotan la estructura compleja de los datos. Por ejemplo, Imagen y texto.
Otro problema con las redes neuronales es que los resultados son difíciles de explicar. Si observa un modelo de spam / no spam creado con Naive Bayes, es muy fácil explicar por qué algo se etiquetó como spam o no como spam. Esto no está disponible en las redes neuronales, ya que aprenden características realmente complejas. Esto está cambiando ahora, pero aún queda mucho trabajo por hacer.
- Cómo construir un sistema de recomendación a escala industrial
- ¿Ubuntu es mejor con machine learning que mac?
- ¿Has utilizado Google Translate recientemente? ¿Cómo es la calidad de la traducción con su nueva traducción automática neuronal? ¿Cómo es para cualquier par de idiomas?
- ¿Cuál es la diferencia entre estadística y aprendizaje automático?
- Cómo evaluar la reciente eliminación de recomendaciones para usar hilo dental
TL: DR Si tiene grandes cantidades de datos con una estructura compleja y no le preocupa explicar las entrañas del modelo, entonces las Redes Neurales pueden ser un enfoque viable.
