CNN:
Las CNN aprovechan la información estructural para reducir el número de parámetros necesarios para obtener resultados comparables a una red neuronal estándar (que probablemente no sería computacionalmente inviable).
Si sus datos tienen estructura (sus características de entrada tienen una definición significativa de adyacencia), entonces un CNN puede ser muy útil. Esto incluye imágenes, series de tiempo, datos de mapas, etc.
- ¿Cuáles fueron los avances más importantes en la IA de juegos de estrategia en tiempo real en los últimos 15 años?
- ¿El aprendizaje profundo se está volviendo más importante y valioso que el aprendizaje automático?
- ¿Me puede sugerir un problema / proyecto de aprendizaje de robots de nivel principiante?
- ¿Por qué se llama así el aprendizaje residual profundo?
- ¿Cómo puedo hacer una aplicación como JARVIS?
NN recurrentes:
Los NN recurrentes son maravillosos si no sabes cuánta entrada tendrás y tienes un sentido de adyacencia unidimensional.
Los ejemplos estándar son series de tiempo (nuevamente) y lenguaje escrito.
También puede crear una red neuronal convolucional recurrente si le gusta escribir nombres realmente largos. Supongamos que quieres procesar un video. No desea limitar la cantidad de fotogramas que puede procesar. Puede crear una red que sea convolucional a lo largo de los ejes de la imagen y recurrente a lo largo de los marcos.
NN de alimentación directa estándar:
Y para todo lo demás, está MasterCard (léase: NN de retroalimentación). Una red neuronal estándar puede manejar casi cualquier cosa que le arrojes. De hecho, eso ha sido probado (teorema de aproximación universal). Si sus datos no tienen ninguna estructura especial para aprovechar, aún puede confiar en un NN de retroalimentación.