En mi humilde opinión, no, no lo creo.
Lo intentaré para responder la pregunta en dos partes:
- ¿Por qué los algoritmos de ML se usan ampliamente en todas partes? Llevándonos a pensar que son un compromiso.
- ¿Son los algoritmos de ML realmente un compromiso?
¿Por qué los algoritmos de ML se usan ampliamente en todas partes?
Considere la tarea de diferenciar rostros de niños de niñas. Uno puede construir buenos algoritmos para esta tarea utilizando el conocimiento del dominio como la presencia de bigote, etc. Ahora considere el problema de diferenciar las caras felices de las caras tristes. Nuevamente, utilizando el conocimiento del dominio se pueden construir excelentes clasificadores. Ahora considere el problema de … y así sucesivamente.
- Se me pide que lea datos de un archivo .txt en una matriz y que haga cosas con esa información (encontrar promedio, encontrar número de elementos, encontrar valores máximos / mínimos). ¿Cómo se puede hacer esto en Java?
- ¿Para qué sirven las estructuras de datos?
- Programadores: ¿A menudo considera el promedio, el peor y el mejor caso en mente al escribir un algoritmo?
- Cómo escribir un programa para encontrar la frecuencia de la presencia de un elemento en una matriz en C ++
- ¿Las funciones de JavaScript como map (), reduce () y filter () ya están optimizadas para recorrer la matriz?
El punto es que el número de tareas es muy alto y tal vez está aumentando. A nadie le gustaría clasificadores específicos para problemas específicos (a menos que el problema sea de gran importancia). En cambio, la mayoría querrá tener un clasificador que funcione para (casi) todas las tareas. Esto es a lo que apunta el aprendizaje automático. Generalizando Los algoritmos de ML idealmente funcionarán para todas las tareas. Por lo tanto, se utilizan ampliamente.
Si un problema adquiere su debida importancia en la comunidad de investigación, tendrá sus algoritmos superiores de dominio específico. De lo contrario, los algoritmos genéricos de ML siempre están ahí para el rescate.
¿Son los algoritmos de ML realmente un compromiso?
Encontrar soluciones que resuelvan tareas requiere la comprensión del modelo subyacente. ML asume un modelo / estructura para el problema e intenta aprender los mejores parámetros para ajustar los datos. Si obtiene resultados excepcionalmente buenos con un algoritmo de ML particular, ¡entonces Bingo! Has resuelto completamente el problema. De lo contrario, todavía está buscando el modelo / estructura subyacente. Por lo tanto, no los considero un compromiso. En cambio, son herramientas para resolver el problema.
