Cuando haces sopa, no sabes exactamente dónde va a estar cada partícula de cada ingrediente en ningún momento, sin embargo, esto no molesta a las personas (al menos no hasta donde yo sé). Sabes cuál será el sabor y obtendrás una textura particular, en promedio, en toda la olla de sopa.
Cuando entrena una red neuronal artificial, sabe que aprenderá aproximadamente una representación interna del conjunto de datos de entrenamiento en la medida en que la estructura lo permita, dado que los parámetros se configuran adecuadamente y se proporciona suficiente tiempo de entrenamiento. El hecho de que no conozcamos esta representación de antemano es exactamente la razón por la que estamos usando una red neuronal; si lo supiéramos, podríamos codificar manualmente esta función.
Tenga en cuenta también que lo mismo vale para la mayoría de los modelos de Machine Learning. No estamos seguros de cuál será el modelo aprendido, pero sabemos que representará los datos lo mejor posible, siempre que utilicemos un modelo y un algoritmo de entrenamiento adecuados.
- ¿Cuáles son algunos usos prácticos o aplicaciones del conjunto de datos de YouTube 8M?
- ¿Puede la generación de características de fuerza bruta vencer a la ingeniería de características clásica?
- Cómo ejecutar una sesión de tensorflow en un solo proceso y núcleo
- ¿Cómo deciden los científicos computacionales qué estrategia usar para la validación cruzada?
- ¿Cuál es la diferencia entre IA, aprendizaje automático y aprendizaje profundo?
