Bueno, el tiempo T estaría cambiando, así que si sigues ingresando los mismos datos con T [cuando T va al infinito], entonces las redes neuronales son un mal modelo.
Si la pregunta es, ¿puede iniciar su camino hacia el éxito con las redes neuronales, la respuesta es golly, supongo que podría …, pero definitivamente es dudoso.
Las redes neuronales y el sobreajuste son buenos amigos, el bootstrapping lo inflama. Además, las cosas que pueden ser modeladas fácilmente por otros métodos deben usar esos métodos. Dicho esto, esa no era su pregunta, su pregunta era buena sobre cuán flexible puede aplicarse un problema de redes neuronales espaciales.
- ¿Qué algunos documentos sobre desafíos en predicción financiera con técnicas de aprendizaje automático?
- ¿Cómo debo abordar mi tesis sobre 'conversión de lenguaje de señas a texto'? ¿Cuál debería ser el método?
- ¿Es mejor utilizar algoritmos basados en reglas o de aprendizaje automático para la clasificación en un dominio de respuesta a preguntas cerrado?
- ¿Es probable que Goldman Sachs sea el primero en alcanzar la singularidad?
- Si la IA de aprendizaje automático no puede explicar una respuesta, ¿se puede 'confiar' en un diagnóstico médico?
Puede modelar fenómenos como este con una red neuronal, y si reinicia T en 0 con cada grabación de estos datos, probablemente obtendrá muy buenos resultados. Pero eso es porque el sobreajuste en este caso no es un problema porque la solución existe en forma cerrada. Por lo tanto, tiene una forma de modelar la aceleración sin otra cosa que matemática ordenada, un cronómetro y un objeto acelerado. Eso es asombroso. Sin embargo, advertiría que no aplique esto si los datos tienen una naturaleza estocástica dentro de la muestra.
Gran pregunta!
