No existen
Todavía no estamos en una etapa en la que podamos usar ANN profundos como cajas negras.
Tienen muchos hiperparámetros (parámetros de aprendizaje, número de capas, número de neuronas en cada capa, tipo de función de activación, conectividad dispersa / total, convolucional / recurrente, etc.), y todos requieren ajuste para un buen rendimiento en cualquier problema dado . En la mayoría de los casos, si obtiene los hiperparámetros incorrectos, funcionará muy mal.
- Si los recuerdos y la personalidad de una persona se replicaran perfectamente en un robot, ¿consideraría que ese robot / persona está viviendo?
- Cómo trazar el límite de decisión para un clasificador de red neuronal en MATLAB
- ¿Deberíamos tener leyes que limiten los tipos de trabajos que la IA reemplazaría? Si es así, ¿qué trabajos serían?
- ¿Cuál es un buen tema para una tesis de licenciatura en Análisis de sentimientos?
- ¿Se puede usar una IA súper inteligente para hacer posible el viaje en el tiempo?
Por ejemplo, una red totalmente conectada funcionará extremadamente mal para las tareas de clasificación de imágenes, pero funcionará bien en cosas como hacer un diagnóstico con una lista de síntomas.
Las tareas de imagen generalmente funcionan muy bien con redes convolucionales, pero las redes convolucionales no tienen ningún sentido para los problemas que no tienen una correlación espacial específica entre las características (por ejemplo, la lista de síntomas).
Lo más cerca que podemos llegar a los cuadros negros es algo así como unos 10 cuadros negros con parámetros ajustables (pero arquitectura fija), que serán adecuados para la mayoría de los problemas. Eso es lo que te dan las bibliotecas de aprendizaje profundo (Caffe, Theano, etc.).
