¡Puedo abordar dos de esos por ti!
Los algoritmos genéticos generalmente se usan en el espacio de optimización, y son mejores para situaciones en las que los enfoques tradicionales pueden fallar. Algunas de las situaciones incluyen problemas en los que la función objetivo es discontinua, no diferenciable, estocástica o altamente no lineal. En estas situaciones particulares, son geniales. Sin embargo, a menudo no estarán a la altura de los enfoques tradicionales cuando se coloquen en situaciones “tradicionales” donde la función objetivo es continua y lineal, por ejemplo.
Editar: tampoco manejan las restricciones, como lo hacen muchos otros enfoques
- ¿Cuál es la próxima gran novedad en tecnología aparte de la IA y el automóvil sin conductor?
- ¿Cuándo veremos una pistola de hombro inteligente capaz de apuntar a un objetivo?
- ¿Puede la inteligencia artificial poseer y gastar dinero?
- Cómo usar mi software de reconocimiento de objetos para ayudar a otros
- Si las células 'tontas' individuales independientes pueden agruparse para desarrollar la conciencia y la vida inteligente (es decir, nosotros), ¿por qué los grupos de hormigas ya inteligentes (que ya exhiben un comportamiento grupal inteligente) se convierten en un 'enjambre' inteligente con conciencia cuya inteligencia enana incluso el nuestro?
Las redes neuronales se pueden aplicar a todo tipo de situaciones y datos desde escenarios típicos como regresión y clasificación hasta análisis de series temporales y reconocimiento de imágenes. (¡Intenté realizar algunos análisis de series de tiempo con redes neuronales para divertirme hoy! Pueden hacerlo, simplemente no son excelentes) En mi opinión, donde realmente brillan es la clasificación de imágenes. Con el uso de convolución, agrupación máxima y otras capas, las redes neuronales patean traseros en la clasificación de imágenes. Sin mencionar que, cuando se utilizan técnicas de regularización como el abandono, se pueden construir redes profundas y anchas (muchas capas y neuronas, respectivamente) sin ajustarse demasiado. La investigación que se está haciendo en este espacio es sorprendente, leería sobre algunos de ellos.
Sin embargo, hay inconvenientes, uno importante es el tiempo de entrenamiento. Las redes neuronales pueden tomar mucho tiempo para entrenar, y además de eso, mientras hago todo lo posible para que tengan éxito en los problemas de regresión, a menudo he encontrado métodos basados en árboles que funcionan mucho mejor, especialmente al manejar datos categóricos. Este no es siempre el caso, pero a menudo es suficiente para marcar la diferencia. Entonces, aunque técnicamente son muy versátiles, tienden a superar a la competencia en tareas muy específicas como la clasificación de imágenes. ¡Espero que ayude!
