Los SVM son modelos “poco profundos”. Toma su entrada, aplica el modelo, obtiene la salida.
Los algoritmos de aprendizaje profundo son, como su nombre indica, “profundos”. Usted toma la entrada, aplica un modelo, obtiene una representación, aplica un segundo modelo, obtiene una representación de segundo nivel y así sucesivamente hasta su última representación o resultado final.
Los SVM intentan aprender cómo se distribuyen sus datos en un espacio multidimensional para poder clasificar, hacer regresión o cualquier cosa que desee.
- ¿Cuál es la intuición detrás de llamar variables ortogonales como independientes? Proporcione una respuesta en el contexto del aprendizaje automático.
- ¿Cuáles son las futuras áreas de investigación del aprendizaje automático y el reconocimiento de patrones para comenzar el doctorado y necesito algunas cosas buenas relacionadas con eso? como tesis doctorales y papel para estudiar?
- Si el error de una red neuronal obtiene un buen rendimiento, pero si el entrenamiento aumenta por más tiempo, ¿cuál podría ser el problema con el entrenamiento?
- ¿Es mejor hacer una competencia de ciencia de datos en Kaggle o crear un algoritmo comercial en Quantopian para encontrar un trabajo en finanzas cuantitativas?
- ¿Está bien usar kNN para este problema de clasificación de símbolos musicales?
Las arquitecturas de Deep Learning intentan encontrar representaciones abstractas para sus datos que luego le permitirán aplicar efectivamente la clasificación, la regresión u otros algoritmos.
Esas dos cosas pueden sonar similares y conceptualmente son lo mismo, pero la forma en que lo haces es donde las SVM y los algoritmos de aprendizaje profundo difieren.
Luis.