La mayor ventaja de las redes neuronales convolucionales (y el aprendizaje profundo) es que pueden aprender las características apropiadas por sí mismas automáticamente.
Las características son importantes. Puede obtener una buena precisión de reconocimiento de objetos solo si tiene buenas características. En los primeros días, las personas tienen que diseñar características manualmente. Este paso se llama ingeniería de características. Diseñar buenas características es extremadamente difícil, entre ellas, las características más populares son las funciones SIFT y HOG.
Vamos a pensarlo. Los algoritmos de aprendizaje automático se utilizan para permitir que la máquina aprenda a asignar entidades a etiquetas automáticamente. ¿Podemos también dejar que la máquina aprenda características / representaciones apropiadas de imágenes en bruto? Este tema se llama aprendizaje de representación. Resulta que el aprendizaje profundo hace este trabajo bastante bien. Simplemente alimentamos imágenes en bruto en la CNN, y la CNN puede aprender cómo obtener las funciones correctas para la tarea.
- ¿Cómo se evalúa si uno tiene una buena palabra incrustada?
- ¿Cómo puedo interpretar las predicciones en un modelo de aprendizaje automático de salud (bosque aleatorio) para infarto agudo de miocardio?
- Cómo demostrar que minimizar la suma residual de cuadrados es equivalente a maximizar la función de log-verosimilitud
- Cómo acceder a las funciones extraídas por OverFeat
- ¿Qué son las unidades recurrentes cerradas y cómo se pueden implementar con TensorFlow?
También puede consultar las diapositivas escritas por mí.