Yo diría que es relativamente común que las personas hagan esto, teniendo en cuenta que las redes neuronales pueden funcionar en varios dominios de problemas (como la clasificación y la regresión. Una red neuronal toma algunas entradas, conecta cada entrada a cada nodo, toma cada nodo de ese capa y lo conecta a cualquier otro nodo en la siguiente capa, y así sucesivamente. Aquí hay un diagrama.
De: Diagrama de red neuronal
Cada capa oculta contiene varios nodos. Estos nodos aplican una determinada función (podría ser lineal, sigmoide, softmax) a cada una de las entradas y luego las suman en función de su peso, para pasar a la siguiente capa de nodos. A través del entrenamiento, la ponderación de cada nodo se ajusta para proporcionar la mejor salida de precisión, mediante retropropagación u otro método de entrenamiento.
- ¿Qué es lo importante de un algoritmo de aprendizaje profundo exitoso?
- ¿Se reduce la importancia de los algoritmos debido a los avances del aprendizaje profundo o la inteligencia artificial?
- ¿Por qué no podríamos usar una técnica similar al 'copyleft' para evitar que una IA fuerte cree otras IA que puedan sortear las restricciones de comportamiento incorporadas?
- ¿Cómo reaccionan los nigerianos ante la tecnología moderna?
- ¿'The Grid' va a darles a los diseñadores dificultades para encontrar trabajo? ¿Debido a AI UX?
De: G5AIAI: Redes neuronales: Redes neuronales
No podría señalar un solo nodo y explicar su efecto en la salida sin mostrarlo en contexto con el resto de los nodos. Además, cuando ejecuta una red neuronal, las capas y el número de nodos en cada capa son (más o menos) arbitrarios para alguien que solo lo está probando. Incluso si el usuario establece demasiadas capas o nodos, existe la posibilidad de que las innecesarias se vean ponderadas, y el usuario común no podría razonar fácilmente a través de esto. Por lo tanto, podrían tratarlo como un sistema de caja negra para resolver su problema.