La observación clave es que las redes neuronales de avance “tradicionales” no tienen estado: usted proporciona una entrada y ellas proporcionan una salida. Por lo tanto, no son completos de Turing, porque para ser completos de Turing, debe haber algún tipo de capacidad de almacenamiento.
Las redes neuronales recurrentes tienen estado . Esto significa que retienen parte de la activación de la entrada anterior y la incorporan a los cálculos actuales. Esto los hace mucho más adecuados para manejar secuencias, series de tiempo, segmentos de video, etc., y luego puede hablar sobre ellos como modelos computacionales completos. Las propiedades exactas dependen de la topología de la red neuronal.
En la práctica, si realmente quisiera, podría “desenrollar” una red neuronal recurrente para que sea una red neuronal de avance y presentar secuencias enteras de entrada (por ejemplo, oraciones completas) en lugar de parte de la entrada, y unir los pesos apropiados, pero No es necesariamente la forma más eficiente de hacer las cosas.
- Si se le da una opción entre el aprendizaje automático y el Internet de las cosas como una opción, ¿cuál es la mejor para elegir, teniendo en cuenta el alcance y el futuro?
- ¿Cuáles son las diferencias entre los algoritmos CHAID y CART para el crecimiento de los árboles de decisión?
- ¿Cómo se puede imitar la intuición humana en los algoritmos de aprendizaje automático? ¿Es importante el modelado de la intuición en el aprendizaje profundo?
- Como ingeniero de ML en Quora, ¿alguna vez ha implementado un artículo de investigación en aprendizaje automático para resolver un problema técnico o de producto?
- ¿Cómo aprendo estadísticas y probabilidad de aprendizaje automático?
