El modelo en sí mismo no brinda mucha inteligencia a menos que se complemente significativamente con la intuición humana. La intuición entra en juego directa o indirectamente en el modelo en varias etapas:
- En primer lugar, todo el análisis exploratorio de datos junto con la ingeniería de características es un gran paso en la aplicación de la intuición y esto indiscutiblemente marca una gran diferencia. Por nombrar algunos: identificación de valores atípicos, puntos de influencia, tratamiento de valores de NA, ¿codificamos variables categóricas, método para calcular la distancia entre variables categóricas, etc.
- La elección de la reducción de dimensionalidad antes de la clasificación / regresión
- Selección de modelo
- Ajuste de hiperparámetros
- Elegir la métrica de evaluación y ajustar las predicciones.
En un nivel superior, la intuición humana ya está integrada en los modelos y, en mi opinión, eso es lo que ha dado lugar a varios tipos de modelos. Dependiendo de la intuición, elegimos un modelo particular. Si dicho modelo aún no existe, entonces hay un margen para la innovación. Por ejemplo, varios de los modelos de aprendizaje profundo que han surgido de la intuición son: GAN, modelos de atención, CNN, RNN, LSTM, CRF, etiquetado POS, NER por nombrar algunos …
- ¿Cómo podemos interpretar el coeficiente para cierta variable independiente en regresión lineal simple y para el mismo en regresión lineal múltiple?
- ¿Puede el aprendizaje automático realizar un análisis de sentimientos de una palabra clave dada de una conversación?
- Codificación dispersa: ¿cuál es la implementación paso a paso para la codificación dispersa? ¿Qué representa la norma l0 / norma l1 / regularización?
- Hipotéticamente, ¿sería posible cultivar tejido cerebral usando células madre y luego usarlo como un procesador distribuido para tareas de aprendizaje complejas?
- ¿Qué técnicas utilizadas en el procesamiento del lenguaje natural son aplicables a otras áreas del aprendizaje automático?