El principal problema con la clasificación de imágenes es la dificultad para encontrar funciones útiles. La artesanía manual de crear características a partir de imágenes como formas, bordes, regiones no es fácil, incluso si hay avances importantes en este campo.
Sin embargo, una red neuronal, junto con el aprendizaje de un modelo de clasificación, puede crear y seleccionar automáticamente características útiles. Los enfoques modernos como las redes convolucionales, las redes de aprendizaje profundo, las redes tangenciales también pueden seleccionar características que también son invariables para algunos tipos de transformaciones como rotaciones, transposiciones, escalado. Si agrega la capacidad natural de las redes neuronales para aprender modelos muy complejos, tiene todo lo que necesita para trabajar con un conjunto de datos de imagen al alimentar el algoritmo de aprendizaje solo con la representación ráster de la imagen.
- ¿Cómo puedo usar Gensim LDA para la clasificación binaria?
- En el aprendizaje profundo, ¿cómo convertir una oración o documento en un vector binario (flujo de 0 y 1)?
- ¿Por qué la necesidad de depuración aún no se ha resuelto después de tantos desarrollos en tecnología, informática, algoritmos y aprendizaje automático?
- En una red neuronal recurrente, ¿por qué proporcionamos una secuencia de observaciones como entrada (longitud fija) en lugar de alimentar una observación tras otra con respecto al tiempo?
- ¿Cuáles son algunas de las ventajas del aprendizaje por diferencia temporal y cómo se puede mejorar?
