Creo que los métodos del núcleo podrían ser competitivos (e incluso superar) el aprendizaje profundo en las siguientes áreas :
- problemas estadísticos relativamente sencillos , por ejemplo: mezclas gaussianas, algunos agrupamientos, clasificación (ver P3 aquí: Exclusivo de KDnuggets: Entrevista con Yann LeCun, Experto en aprendizaje profundo, Director de Facebook AI Lab), regresión, suavizado, reducción de dimensionalidad;
- problemas de ciencia de datos, sin “reconocimiento de patrones” : Michael Jordan sobre aprendizaje profundo;
- problemas complejos (multifacéticos) de ciencia de datos (tipo consultoría);
- varias áreas / tareas, mencionadas en la respuesta de Charles H Martin a ¿Cuáles son las ventajas y desventajas clave de las redes neuronales artificiales sobre otros algoritmos de aprendizaje automático?
- áreas, adecuadas para el análisis factorial , donde es importante comprender la estructura latente / factorial de los constructos (ver sección 8 en el documento de 2011 de Youshua Bengio (http://www.iro.umontreal.ca/~lis…) sobre aprendizaje profundo problemas con “desenredar los factores subyacentes de variación”);
- Análisis de causalidad .
