​​Deep Learning или Традиционные Алгоритмы Машинного Обучения

Andrew Ng на простом языке объясняет, почему глубокое/глубинное обучение в последнее время все больше используется для решения разных проблем.

Традиционные алгоритмы машинного обучения (SVM, Regressions, и тд.) достигают своего предела при определенном объеме данных, на которых вы обучаете свою модель. Глубокие нейронные сети, напротив, продолжают выдавать результаты лучше. В целом, чем глубже нейронная сеть и чем больше данных, тем лучше результат.

Также интересно то, что если данных у вас мало (small training sets), то разница в результате моделей построенных на традиционных алгоритмах и нейронных сетях (разной глубины) в целом незначительна.

От сюда можно сделать простой (обобщенный) вывод:

- Если данных относительно мало, то скорее всего модель построенная на основе традиционных алгоритмов выдаст почти такой же результат как и модель построенная на нейронных сетях.

- Если у вас данных много и вам доступна достаточная вычислительная мощь, можно итерационно улучшить результат с помощью глубокого/глубинного обучения.

Как всегда, универсальный совет для решения любых задач: начинайте с простого и итерационно улучшайте (усложняйте) по мере надобности.

В этой статье объясняется как в Airbnb начинали с традиционных алгоритмов и затем улучшили результаты своего поиска с помощью глубокого/глубинного обучения.