Depende del tipo de problema en el que esté trabajando. El aprendizaje profundo es una herramienta increíble y puede entrenarlo en absolutamente cualquier base de datos y esperar buenos resultados, pero en algunos casos el uso del aprendizaje profundo podría resultar una exageración. Por ejemplo, supongamos que desea clasificar las siguientes imágenes.
en rectángulo o triángulo. Este es un problema bastante básico, puede usar algunas operaciones de umbral en la imagen y obtener contornos y luego puede usar la aproximación de contornos (si está interesado en la detección de formas OpenCV – PyImageSearch) para determinar si es un triángulo o un rectángulo. Ahora también puede resolver este problema utilizando el aprendizaje profundo, y se garantiza que obtendrá una precisión cercana al 100% en ambos casos (aunque es posible que no obtenga el 100% en el caso del aprendizaje profundo), pero estará de acuerdo en que la primera opción es más simple, más rápido y consume muy pocos recursos informáticos, mientras que la segunda opción podría no proporcionarle el 100%, será más lenta y consumirá más recursos. Claramente, la red convolucional no es una buena opción en este caso.
- ¿Hay alguna empresa de software en Bangladesh que trabaje con ciencia de datos / ML / ANN / Visión por computadora?
- ¿Qué es un giroscopio? ¿Como funciona?
- ¿Cuál es la diferencia entre un conjunto de entrenamiento y un conjunto de prueba?
- ¿Cómo debe prepararse para un programa de maestría / doctorado centrado en la inteligencia artificial?
- ¿Se usa el álgebra abstracta en el aprendizaje automático?
Por lo tanto, siempre que exista un criterio simple que pueda clasificar sus imágenes, la red convolucional profunda resulta ser excesiva para la solución. Y puede encontrar que hay muchos problemas en los que no necesita un aprendizaje profundo para la clasificación.
