Saya mencari makalah atau teks yang membandingkan dan mendiskusikan (baik secara empiris atau teoritis):
- Algoritma Boosting dan Decision tree seperti Random Forests atau AdaBoost , dan GentleBoost diterapkan pada pohon keputusan.
dengan
- Metode pembelajaran yang dalam seperti Mesin Boltzmann Terbatas , Memori Temporal Hirarki , Jaringan Neural Konvolusional , dll.
Lebih khusus lagi, apakah ada yang tahu teks yang membahas atau membandingkan dua blok metode ML ini dalam hal kecepatan, ketepatan atau konvergensi? Juga, saya mencari teks yang menjelaskan atau merangkum perbedaan (misalnya pro dan kontra) antara model atau metode di blok kedua.
Setiap petunjuk atau jawaban yang membahas perbandingan semacam itu secara langsung akan sangat dihargai.
sumber
Pertanyaan bagus! Baik boosting adaptif dan pembelajaran dalam dapat diklasifikasikan sebagai jaringan pembelajaran probabilistik. Perbedaannya adalah bahwa "pembelajaran mendalam" secara khusus melibatkan satu atau lebih "jaringan saraf", sedangkan "meningkatkan" adalah "algoritma pembelajaran-meta" yang membutuhkan satu atau lebih jaringan pembelajaran, yang disebut pelajar yang lemah, yang dapat berupa "apa saja" (yaitu jaringan saraf, pohon keputusan, dll). Algoritma pendongkrak mengambil satu atau lebih jaringan pembelajar lemah untuk membentuk apa yang disebut "pembelajar kuat", yang secara signifikan dapat "meningkatkan" hasil keseluruhan jaringan pembelajaran (yaitu Viola and Jones Face Detector, OpenCV).
sumber