El aprendizaje profundo está revolucionando la forma en que funcionan las cosas. Actualmente estamos en un renacimiento del aprendizaje automático alimentado casi por completo por algoritmos de aprendizaje profundo y la aplicabilidad general de ML.
Los automóviles autónomos tienen una miríada de sistemas, desde dirección, dirección, frenado, aceleración, reconocimiento de peligro, etc. Los humanos toman todas estas decisiones complejas y los algoritmos simples no podrían tomar las decisiones que los humanos toman de manera efectiva. Hay demasiadas entradas y demasiadas situaciones posibles. Ahí es donde entra ML.
Machine Learning permite que las computadoras resuelvan problemas complejos y confusos como la conducción, el aprendizaje profundo es un subconjunto de algoritmos de ML que son excepcionalmente buenos en problemas muy difusos como la conducción.
- ¿Cómo uso la regresión logística si la variable dependiente tiene más de 2 dimensiones?
- Cómo usar tanto algoritmos genéticos como redes neuronales artificiales en una simulación de vida artificial
- ¿Cuáles son las revistas científicas mejor calificadas para Machine Learning / Data Science?
- ¿Cuál es un buen conjunto de datos para probar mi clasificador vecino más cercano K?
- ¿Cuál es la mejor estimación para la existencia de una máquina del tiempo?
El problema con el aprendizaje profundo es que los modelos no tienen sentido para los humanos. No podemos entender intuitivamente lo que hacen la mayor parte del tiempo, esto crea problemas en la validación, ya que no estamos seguros de si el modelo está pensando correctamente en todos los casos. Por otro lado, los algoritmos de ML más simples como la regresión lineal pueden ser extremadamente útiles por su intuición.
Por lo general, en los autos sin conductor, se prefiere el aprendizaje profundo debido a su efectividad; Sin embargo, a menudo hay un sistema de respaldo / validación que es mucho más simple y se asegura de que el modelo de aprendizaje profundo no haga nada fuera de alcance o claramente incorrecto.
Incluso entonces, hay toneladas de pruebas y lógica personalizada que se deben implementar. Por ejemplo, si conduce hacia un autobús escolar lleno de niños, ¿choca contra el autobús o choca contra una pared? El modelo de aprendizaje profundo probablemente no tomará la decisión correcta en este caso, ya que la decisión correcta no está clara, por lo que este tipo de lógica personalizada a menudo se programa.