Además de los buenos puntos que se plantean aquí, me gustaría agregar una razón por la que no reemplazará los modelos estadísticos estándar.
Un modelo de aprendizaje profundo no le dice qué causó o contribuyó realmente a su objetivo. Muchas veces, al construir modelos, necesitan tener un buen poder predictivo, pero también deben ser accionables. Entonces, ¿qué pasa si su modelo de aprendizaje profundo puede predecir un próximo viaje en la máquina o una pérdida de clientes con una precisión del 89%? Si el modelo no le dice qué factores contribuyeron a un mayor riesgo, la predicción en sí misma vale menos, ya que no son procesables.
En general, las aplicaciones adecuadas para el aprendizaje profundo son aquellas en las que solo el resultado en sí es importante, y no la comprensión de los factores que intervienen en el resultado. Afortunadamente, las aplicaciones donde el rendimiento es lo único que importa son muchas, razón por la cual el aprendizaje profundo y otras técnicas de ML de ‘caja negra’ son tan exitosas.
- ¿Hay alguna diferencia entre el modelado de temas y el clúster?
- ¿Qué piensa Yoshua Bengio sobre la idea de un algoritmo de aprendizaje único?
- ¿Cuál es el mapa de ruta para un chico universitario para una carrera de aprendizaje automático y competir en Kaggle?
- ¿Cuál es el propósito de usar un parámetro de penalización [matemática] C [/ matemática] en SVM?
- ¿Cómo construiría un sitio web que utiliza el aprendizaje automático (qué marcos para frontend y backend, Python o R)?
