Es el equilibrio entre explotación y exploración: un concepto del aprendizaje por refuerzo de Monte Carlo.
Cuando encontramos una idea que funciona, ¿pasamos tiempo aplicándola para resolver problemas o pasamos tiempo explorando otras técnicas potencialmente mejores?
Yo diría que hay un buen equilibrio en este momento. Las personas que trabajan para obtener mejores resultados de competencia no solo usan redes más grandes. También están probando cosas como diferentes funciones de aprendizaje y técnicas de regularización. Su experimentación a menudo también contribuye al campo.
- ¿Cuál es más adecuado para un aprendizaje automático de codificador o desarrollo web?
- ¿Cuáles son algunas ideas importantes / brillantes en el aprendizaje automático?
- ¿Qué pasaría si pocos puntos de datos son comunes en los conjuntos de capacitación y validación?
- ¿Cuál sería un ejemplo de una función simple no convexa?
- ¿Cuáles son las principales debilidades de la estadística de brecha para evaluar el número de clústeres presentes en un conjunto de datos?
También hay muchos grupos de investigación que intentan aplicar el aprendizaje profundo a nuevos campos, y aunque en realidad no están avanzando en conceptos de aprendizaje profundo puro, todavía están explorando los límites de nuestras técnicas actuales.
Después de todo, ¿para qué sirve la teoría, si no para las aplicaciones?
