En primer lugar, ¿su computadora tiene una GPU (tarjeta gráfica) y, de ser así, la usa?
De hecho, las redes neuronales son extremadamente caras de entrenar en CPU, especialmente las grandes necesarias para trabajar con imágenes.
Si su tarjeta gráfica es lo suficientemente moderna, busque entrenar sus redes neuronales con su GPU, utilizando CUDA (Torch, Keras, Tensorflow, Theano, Caffe, todo lo admite)
- ¿Cuál es la forma de generar / Ver resultados intermedios o parciales para la recomendación basada en el usuario en mahout, mientras que el mismo está disponible cuando se hace una recomendación basada en elementos en un modelo distribuido (Hadoop)?
- ¿Cómo es usar las API de servicios cognitivos de Microsoft?
- ¿Es posible utilizar el aprendizaje automático en la votación para que podamos incluir las razones de los votantes en lugar de sí / no?
- ¿Por qué usar Kohonen SOMs sobre K-means, o viceversa?
- ¿Cómo impacta la alta dimensionalidad en la efectividad del modelo?
Si no tiene una GPU, definitivamente estará limitado, en cuanto a velocidad, para entrenar redes neuronales. AWS es una solución, pero agrega mucha complejidad para entrenar los modelos en la nube, lo que puede ser un problema si está comenzando. También puede ser costoso bastante rápido, especialmente para instancias de almacenamiento y GPU. Cuando no sabes lo que estás haciendo, la factura aumentará muy rápidamente …
Finalmente, mencionas SVM. Sí, tienden a ser muy costosos computacionalmente cuando el conjunto de datos se hace grande. Muy pocas personas los usan hoy en día porque el conjunto de datos promedio se ha vuelto tan grande. Pero si está experimentando con SVM, ¿eso significa que está trabajando con datos tabulares? (es decir, no imágenes, sonidos, etc.). En ese caso, las redes neuronales no encajan realmente de todos modos. Pueden funcionar, pero probablemente obtendrá mejores resultados con árboles, como bosques aleatorios o árboles potenciados (xgboost …), o incluso modelos lineales, siempre que los datos se procesen previamente correctamente.
Las redes neuronales brillan ante datos más complejos, como imágenes o sonidos, que no pueden representarse bien en forma tabular.