Eso es un poco como decir que eres un trabajador de la madera y no estás interesado en usar un martillo; solo quieres usar sierras.
El aprendizaje profundo está muy unido a las redes neuronales, ya que es por la profundidad que obtienen de la no linealidad y, por lo tanto, por su rendimiento. (técnicamente, es a través de las funciones de activación no lineal que las redes neuronales obtienen su no linealidad, pero generalmente se ubican entre capas de neuronas).
Entonces, si ya está familiarizado con enfoques de aprendizaje automático más “tradicionales” como SVM, árboles de decisión, Naive Bayes y con los diversos métodos de conjunto, y siente que quiere algo más, no queda mucho más que aprender más sobre la selección de características, la ingeniería de características y la canalización de datos.
- ¿Cuál es la diferencia entre el filtrado basado en contenido y el filtrado colaborativo?
- ¿Cuáles son las aplicaciones del tensor en estadística y aprendizaje automático?
- ¿Hay alguien aquí que pueda darme una lib correcta para R-Tree en Java?
- ¿Qué puede ayudar a averiguar si una función de pérdida es sensible al ruido o no?
- ¿Cuándo debo usar un autoencoder frente a un RBM?
Después de todo, si ya sabe todo sobre el aprendizaje automático, a excepción de las redes neuronales, solo quedan redes neuronales para aprender.
Otra posibilidad podría ser usar lo que conoce como una herramienta, como la programación, o un martillo, para resolver problemas que tienen importancia más allá de ser simplemente un problema de aprendizaje automático. Sin embargo, al negarse a utilizar el aprendizaje profundo y las redes neuronales, es posible que se vea superado en problemas más complejos.
Una tercera posibilidad es mirar los enfoques de IA distintos del aprendizaje automático, aunque no sean tan potentes / eficientes; tal vez descubras algo que se pueda usar con otras técnicas realmente bien.