Creo que esta es una visión simplista.
En primer lugar, la selección de características y la extracción de características están dentro del pliegue del aprendizaje automático, y existen muchas técnicas para automatizar el proceso. Por ejemplo, uno de los principales investigadores en el campo Andrew Ng ahora está investigando cómo automatizar la extracción de características. Cosas como el enfoque de selección de subconjunto de características de contenedor se consideran dentro del alcance del aprendizaje automático.
Mi doctorado estaba en Machine Learning, pero no inventé un nuevo algoritmo, simplemente descubrí cómo convertir automáticamente series de tiempo en problemas de clasificación convencionales (https://sites.google.com/site/wa…).
- Data Science, Big Data, Machine Learning, ¿qué certificación debo hacer para cambiar la trayectoria profesional desde un entorno de control de calidad?
- ¿Puedo entrenar una red neuronal convolucional (CNN) con imágenes de fondo diferente en blanco y negro?
- Cómo comenzar a hacer un proyecto de aprendizaje automático
- Cómo crear algoritmos de reconocimiento facial
- ¿Cuál es la mejor herramienta de optimización bayesiana para optimizar hiperparámetros de grandes redes neuronales?
En segundo lugar, los algoritmos tienen características diferentes: no todo se trata de precisión. Utiliza diferentes algoritmos para diferentes situaciones y aplicaciones. Por ejemplo:
- ¿Quieres algo que sea potencialmente humano comprensible? Use árboles de decisión o reglas.
- ¿Tiene una situación en la que tiene mucha memoria, pero tiene que aprender de forma incremental y evaluar rápidamente? Usar vecino más cercano.
- ¿Tiene una decisión binaria clara en un espacio continuo? Utiliza SVM.
- ¿Tiene miles de atributos independientes y muchos datos? Usa ingenuo Bayes.
- ¿Tiene una situación en la que sabe qué atributos están correlacionados con cuáles? Usa redes Bayes.
Tienes la idea. Hay más en el aprendizaje automático que ejecutar ganar / perder / dibujar en su juego de herramientas de aprendizaje automático favorito y decir “Mire, mi algoritmo funciona mejor en estos conjuntos de datos”. Debe pensar en construir un sistema completo.
Ejemplo: probablemente las aplicaciones recientes más lindas del aprendizaje automático es la detección de partes del cuerpo de Kinect (http://research.microsoft.com/pu…). La elección de bosques aleatorios es crítica, principalmente porque tiene un cálculo acotado que se puede acelerar utilizando GPU, por lo que pueden garantizar que se ejecute siempre en 20 ms. No es tan simple como decir “SVM, red neuronal, árbol de decisión de todos modos”.