Gdzie i dlaczego lśni głębokie uczenie się?

W dzisiejszych czasach, gdy wszystkie media rozmawiają o tym, jak głęboko się uczyć, czytam kilka podstawowych rzeczy na ten temat. Właśnie odkryłem, że jest to kolejna metoda uczenia maszynowego do nauki wzorców z danych. Ale moje pytanie brzmi: gdzie świeci i dlaczego ta metoda świeci? Dlaczego teraz wszyscy o tym mówią? To o co chodzi w tym zamieszaniu?

Główne rzekome korzyści:

(1) Nie trzeba ręcznie opracowywać funkcji dla nieliniowych problemów z uczeniem się (oszczędzaj czas i skalowalność w przyszłości, ponieważ inżynieria ręczna jest przez niektórych postrzegana jako krótkoterminowe wsparcie zespołu)

(2) Wyuczone funkcje są czasem lepsze niż najlepsze ręcznie opracowane funkcje i mogą być tak złożone (widzenie komputerowe - np. Podobne do twarzy), że inżynieria zajęłaby zbyt dużo czasu.

(3) Potrafi wykorzystywać nieznakowane dane do wstępnego szkolenia sieci. Załóżmy, że mamy 1000000 obrazów bez etykiety i 1000 obrazów z etykietami. Możemy teraz radykalnie poprawić nadzorowany algorytm uczenia się poprzez wstępne szkolenie na 1000000 nieznakowanych obrazach z głębokim uczeniem się. Ponadto w niektórych domenach mamy tyle nieznakowanych danych, ale trudno jest znaleźć dane z etykietami. Algorytm, który może wykorzystać te nieznakowane dane do poprawy klasyfikacji, jest cenny.

(4) Empirycznie zniszczył wiele testów porównawczych, w których zauważano jedynie stopniową poprawę do czasu wprowadzenia metod głębokiego uczenia się.

(5) Ten sam algorytm działa w wielu obszarach z surowymi (być może z niewielkimi danymi wstępnymi).

(6) Ciągle się poprawia, ponieważ do sieci trafia więcej danych (przy założeniu stacjonarnych dystrybucji itp.).

Kolejnym ważnym punktem oprócz powyższego (nie mam wystarczającej liczby przedstawicieli, aby dodać go tylko jako komentarz), jest to, że jest to model generatywny (przynajmniej sieci głębokiej wiary), a zatem można próbkować z wyuczonych dystrybucji - może to mają pewne główne zalety w niektórych aplikacjach, w których chcesz generować syntetyczne dane odpowiadające wyuczonym klasom / klastrom.