El aprendizaje profundo es un subcampo del aprendizaje automático, que se refiere especialmente a las redes neuronales. Dado que uno está englobado por el otro, tiene más sentido comenzar con el aprendizaje automático para obtener una imagen general y luego ir a un aprendizaje profundo.
Una fase importante en el desarrollo de soluciones de Machine Learning es la generación de características de datos. Es una fase compleja en la que el científico / analista de datos intenta obtener las mejores características posibles de los datos que una vez consumidos por el algoritmo de aprendizaje automático, esto último daría muy buenas predicciones (persistencia). y aquí viene el aprendizaje profundo al espectro. cuando tienes conjuntos de datos complejos y enormes, generar buenas características no es evidente, por lo que la solución es pasar este proceso complejo a un algoritmo para tener algún tipo de “generación automática de características” y ese es mi amigo en lo que es bueno el aprendizaje profundo.
¿Estudiar el aprendizaje automático y el aprendizaje profundo al mismo tiempo tendrá una buena o mala influencia en mi sistema de conocimiento?
Related Content
¿Dónde puede encontrar ejemplos de codificación de TensorFlow no obsoletos?
¿Cuáles son algunos proyectos que puedo hacer mientras aprendo aprendizaje automático?
¿Cómo podemos saber si una heurística es mejor que otra sin ejecutarla?
Depende de tus antecedentes matemáticos. Si está buscando buenas vistas generales de alto nivel, probablemente esté bien independientemente (intente https://www.slideshare.net/Colle …). Si está tratando de aprender las matemáticas y no tiene muchos antecedentes, su cabeza probablemente se arremolinará, ya que las matemáticas detrás del aprendizaje profundo son bastante diferentes de las matemáticas utilizadas en los métodos comunes de aprendizaje automático. Comenzaría con el aprendizaje automático y las redes neuronales de avance poco profundas, luego seguiría hasta el aprendizaje profundo.
Permítanme responder con una cita de mi libro favorito en el área, “Aprendizaje profundo” ( http://www.deeplearningbook.org/ ):
“Si un algoritmo de aprendizaje automático parece especialmente único o está diseñado a mano, generalmente puede entenderse que utiliza un optimizador de casos especiales. Algunos modelos, como los árboles de decisión o k-means requieren optimizadores de casos especiales porque sus funciones de costo tienen regiones planas que hacerlos inapropiados para la minimización mediante optimizadores basados en gradientes. Reconocer que la mayoría de los algoritmos de aprendizaje automático pueden describirse usando esta receta ayuda a ver los diferentes algoritmos como parte de una taxonomía de métodos para realizar tareas relacionadas que funcionan por razones similares, en lugar de larga lista de algoritmos que cada uno tiene justificaciones separadas “. (página 155).
Ciertamente, es posible que deba centrarse en algún algoritmo particular por una razón táctica, por ejemplo, esto es lo que su jefe espera ahora, pero en general no hay conflicto.
Supongo que lo que quiere decir en el aprendizaje automático es un aprendizaje supervisado común (regresión y clasificación) y no supervisado (agrupamiento o a priori). Si está trabajando en código y descripción general, está bien.
More Interesting
¿Existe una relación entre la detección comprimida y las redes de yacimientos?
¿Cómo es ser ingeniero de aprendizaje automático en Quora?
¿Existe una conexión entre la ciencia de datos y el aprendizaje automático?
¿Dónde se puede usar la visión computacional en el aprendizaje profundo?
¿Cómo funciona el algoritmo de recomendación de YouTube?
¿Para qué grandes problemas se han utilizado las SVM (Máquinas de vectores de soporte)?
¿Cómo se puede hacer la experimentación de aprendizaje profundo en una PC en casa?
¿Cuál es su experiencia de aprendizaje automático en el mundo real en Haskell?
¿Qué es el algoritmo de agrupación de Markov?
¿Es el análisis de datos funcionales simplemente renombrado análisis wavelet en estadísticas?
