El aprendizaje profundo que se persigue hoy en día es realmente muy impresionante y ha hecho posible muchas cosas. Sin embargo, no es el santo grial del aprendizaje automático. Hay muchas cosas que deben corregirse o mejorarse en el aprendizaje automático.
Algunos temas que necesitan un poco de investigación:
- Métodos mejorados para evitar mínimos locales
- Detección rápida de datos falsos en Big Data
- Un algoritmo de aprendizaje automático para seleccionar el algoritmo de aprendizaje automático más apropiado para un problema determinado
- Conclusión sobre si el conjunto de datos de entrenamiento implica una fórmula (como E = mc ^ 2) o una distribución estadística (como PV = constante) o algo más (como la predicción de lluvia de asteroides).
- Posibilidad de incluir la computación analógica en problemas de aprendizaje automático relacionados con el reconocimiento de imágenes, etc.
No pretendo ser un experto en aprendizaje profundo o aprendizaje automático.
- Cómo obtener la distribución de probabilidad de clases con píxeles que son 0 o 255
- ¿Cuál es la mejor manera de combinar datos clínicos y de imagen en un enfoque de aprendizaje profundo?
- ¿Es el aprendizaje automático y el aprendizaje profundo una carrera mejor que el desarrollo web ahora?
- ¿Qué criterios deberían ser apropiados para terminar el entrenamiento codicioso no supervisado de autoencoder por capas?
- Procesamiento del lenguaje natural: ¿De qué maneras puedo probar el error de aplicar un modelo de tema a los tweets, dado que no hay un corpus conocido de etiquetas de temas?