La premisa de esta pregunta no es correcta o parece confusa. En primer lugar, el aprendizaje profundo (DL) o cualquier algoritmo de ML no resuelve un conjunto de datos sino un problema. En segundo lugar, DL es útil en varias áreas pero no en todas.
DL no funcionará si los datos de entrenamiento son pequeños. No es útil usar DL si las características ya se extrajeron de los datos, porque uno de los puntos fuertes de DL es aprender las características automáticamente de los datos sin procesar. DL ha mostrado grandes mejoras en la visión por computadora y el reconocimiento de voz. Hay un gran potencial para la DL en áreas como el reconocimiento de actividad, la detección de eventos anormales, el aprendizaje de los datos del sensor, los conductores sin automóviles, etc. Existen amplios dominios en los que los investigadores están trabajando para probar técnicas de DL como la bioinformática, la atención médica, etc.
Antes de saltar a los problemas que DL no puede resolver, necesitamos comprender los desafíos con DL. Comparto algunos recursos que pueden ser útiles:
- ¿Qué versión de Python debería usar en 2016 en Machine Learning y Data Science, Python 2.7 o Python 3.0+?
- ¿Cuáles son algunas técnicas comunes para el aumento de datos de video en el aprendizaje profundo?
- Conciencia del contexto: ¿Qué es el descubrimiento de noticias anticipatorio?
- ¿Cuántos parámetros deben ajustarse para Random Forest?
- ¿Cómo 'Diagonal BiLSTM' calcula los estados diagonales a la vez y qué es diagonal?
Desafíos del aprendizaje profundo – Universidad de Washington | Coursera
Logros y desafíos del aprendizaje profundo – Microsoft Research
