Los profesionales de ANN – ANNs pueden, al menos en teoría [1], ” representar una amplia variedad de funciones interesantes cuando se les dan parámetros apropiados” utilizando una sola capa oculta. Esto significa que, en principio, las ANN pueden modelar no linealidades.
Contras de ANN: los ANN pueden representar una amplia variedad de funciones interesantes cuando se les dan parámetros apropiados utilizando solo una capa oculta, incluidas las no linealidades.
Seriamente.
- ¿Qué curso debo elegir, robótica o inteligencia artificial? ¿Cuál es una breve descripción de ambos?
- ¿Cómo funciona el aprendizaje profundo y en qué se diferencia de las redes neuronales normales aplicadas con SVM?
- ¿Cómo usarías la poda alfa-beta para calcular los valores mínimos de un árbol de juego?
- ¿Es justo decir que una inmigración más estricta ha obligado a Google a invertir en China para el nuevo laboratorio de IA?
- ¿Cómo se usa el aprendizaje automático para evaluar los currículums?
Su modelo ANN puede funcionar tan bien para el problema que está tratando de resolver, que puede ser prácticamente inútil fuera del contexto estrecho dentro del cual lo está aplicando (vea sobreajuste [2]). No sugiere que OLS no sufra problemas de sobreajuste. Solo eso, los modelos ANN son más una caja negra , y la tentación de sobreajustar es mayor. (¿realmente sabes cómo se ven tus funciones de activación?).
En resumen, muéstrame tu problema y te sugeriré un método.
Notas al pie
[1] Teorema de aproximación universal – Wikipedia
[2] Sobreajuste – Wikipedia
