Creo que se puede adaptar para procesar cualquier dato, siempre que haya una estrategia para evaluar la suma ponderada y realizar la capacitación. Por ejemplo, si usa cadenas en lugar de valores reales, ¿cómo va a calcular el producto de punto ponderado de la entrada de Perceptron? ¿El resultado será una cadena también? También necesita su ecuación de aprendizaje (y propagación hacia atrás, si tiene capas ocultas) para operar con cadenas. Si tiene una función de núcleo, también debe definirse en el espacio de su entrada.
Para Boolean el problema es simple, puede reemplazar los valores con 1 para verdadero y cero para falso.
La entrada no puede ser de un tipo diferente (debido al producto de punto ponderado), pero puede tener la entrada como una estructura de (a, b, c) con a: string, b: boolean y c: float. Nuevamente, debe definir las ecuaciones anteriores, en el espacio definido por las tuplas (a, b, c), que no es una tarea simple.
- ¿Es el número de nodos en una capa oculta más que la capa de entrada? ¿Es esto un problema? ¿Qué se puede aprender en tales redes neuronales?
- ¿Cuál es la diferencia entre aprendizaje gradual y aprendizaje de refuerzo?
- ¿Qué quieres decir con optimización?
- ¿Por qué los jóvenes estudiantes dedican más tiempo a la programación competitiva en lugar de otras áreas como aprendizaje automático, seguridad, big data y sistemas operativos?
- ¿Por qué las redes neuronales artificiales son "cajas negras"?
He hecho esto para Mapas autoorganizados y señales / cadenas [1,2], al proporcionar una definición de distancia y adaptación de la ecuación de entrenamiento, así como las aplicaciones (sorprendentemente, obtuve mejores resultados en comparación con una profundidad similar) enfoques de aprendizaje), y obtuvo un doctorado por ello.
[1] R. Popovici y R. Andonie, “Agrupación de señales de sensores con mapas autoorganizados “, Conferencia Internacional Conjunta 2015 sobre Redes Neuronales (IJCNN) , Killarney, 2015, pp. 1-8. doi: 10.1109 / IJCNN.2015.7280576
[2] R. Popovici y R. Andonie, “Clasificación del género musical con mapas autoorganizados y distancia de edición”, Conferencia Internacional Conjunta 2015 sobre Redes Neuronales (IJCNN) , Killarney, 2015, pp. 1-7. doi: 10.1109 / IJCNN.2015.7280559