Semua contoh yang saya temukan menggunakan keyakinan mendalam atau jaringan saraf convolutional menggunakannya untuk klasifikasi gambar, deteksi bakteri atau pengenalan suara.
Apakah jaringan syaraf yang dalam juga berguna untuk tugas-tugas regresi klasik, di mana fitur-fiturnya tidak terstruktur (misalnya, tidak diatur dalam urutan atau kisi)? Jika ya, bisakah Anda memberi contoh?
Jawaban:
Karakteristik gambar yang membuatnya dapat diklasifikasi dengan jaringan saraf yang dalam adalah ada banyak fitur (mungkin jutaan jika tidak milyaran piksel dengan RGB, intensitas, dll.) Dan jika Anda memiliki label yang akurat, itu bukan data yang berisik. Kamera saat ini sangat bagus dan tidak salah mengukur apa pun. Berkat Internet, kami sekarang memiliki banyak gambar berlabel akurat. Jaringan yang dalam dapat mengekspresikan fungsi rumit yang sewenang-wenang, yang merupakan masalah dengan data bising karena Anda dapat dengan mudah menyesuaikan kebisingan, karenanya mengapa banyak metode pembelajaran cenderung menghukum model yang rumit. Namun, dalam hal pengenalan gambar, fungsi sebenarnya tampaknya sangat rumit, kami tidak tahu seperti apa bentuk fungsionalnya, dan kami bahkan tidak tahu fitur apa yang relevan dalam banyak kasus.
Ini tidak berarti Anda tidak dapat menggunakan jaringan dalam untuk mempelajari fungsi yang tidak ada hubungannya dengan gambar. Anda hanya perlu sangat berhati-hati tentang sisi buruknya, sebagian besar hal itu sangat rentan terhadap overfitting, tetapi juga bahwa itu mahal secara komputasi dan dapat membutuhkan waktu lama untuk melatih (tidak banyak masalah hari ini dengan SGD dan GPU paralel). Kelemahan lainnya adalah Anda memiliki interpretabilitas model yang sangat sedikit atau tidak ada, yang tidak terlalu penting untuk klasifikasi gambar. Kami hanya mencoba membuat komputer untuk mengenali perbedaan antara simpanse dan orangutan. Pemahaman manusia tentang formula itu tidak masalah. Untuk domain lain, terutama diagnosa medis, penelitian kebijakan, dll., Anda ingin atau bahkan mungkin membutuhkan pemahaman manusia.
sumber
Tentu Anda dapat menggunakan jaringan saraf yang dalam untuk banyak masalah selain dari pengenalan gambar atau ucapan. Masalahnya adalah jika Anda benar-benar membutuhkannya.
Jaringan saraf dalam jauh lebih kuat daripada MLP sederhana namun mereka juga membutuhkan lebih banyak sumber daya dan lebih sulit untuk dikembangkan. Dengan demikian mereka digunakan dalam domain yang sangat kompleks. Anda dapat menggunakannya untuk memecahkan masalah yang lebih mudah tetapi biasanya model yang lebih sederhana mendapatkan hasil yang baik juga.
Menggunakan jaringan saraf yang dalam untuk masalah mudah akan seperti membunuh lalat dengan bazoka, yakin Anda akan membunuh mereka tetapi tidak bisakah Anda menemukan cara yang lebih sederhana?
sumber
Saya setuju dengan jawaban davidivad. Tetapi juga saya pikir penerapan jaringan saraf yang dalam untuk gambar adalah bahwa gambar (dan, yang lebih penting, gambar berlabel ) relatif murah untuk dikumpulkan. Di domain lain, bisa jadi sangat mahal untuk mengumpulkan data dalam skala besar, terutama dalam batasan industri atau perusahaan pemerintah. Yang memperumit masalah ini adalah bahwa dalam banyak aplikasi, fenomena yang menarik relatif jarang, sehingga akan ada beberapa contoh berharga untuk dipelajari, sehingga upaya pengumpulan data skala besar pun mungkin menghasilkan sejumlah kecil anggota kelas tertentu.
sumber