Эмпирические результаты за последние пару лет показали, что глубокое обучение обеспечивает лучшую предсказательную силу, когда набор данных достаточно велик. Это правда? Неизвестно ни одного примера, где он был бы превзойден в предсказательной способности для набора данных из более чем 100 миллионов строк за последний год.
Очитается, что глубокое обучение подтолкнет другие алгоритмы обучения к почти исчезновению из-за непревзойденной предсказательной силы глубокого обучения, особенно на средних и больших наборах данных. Другие алгоритмы устареют, когда люди начнут рассматривать глубокое обучение как первое решение некоторых проблем, таких как распознавание образов. С другой стороны, большинство людей по-прежнему считают, что глубокое обучение не заменит все другие модели и алгоритмы. Мнение Джейкоба Стейнхарта получило наибольшее количество голосов. Он пишет
=============================================
1.Для многих приложений гораздо более простые алгоритмы, такие как логистическая регрессия или машина опорных векторов, будут работать нормально, а использование сети глубоких убеждений только усложнит ситуацию.
=============================================
- Хотя сети глубоких обучений являются одним из лучших алгоритмов, не зависящих от предметной области, если у кого-то есть знания предметной области, тогда многие другие алгоритмы (такие как HMM для распознавания речи, вейвлеты для изображений и т.д.) Могут превзойти их. В настоящее время проводится определенная работа по включению таких знаний в предметную область в модели нейронных сетей, но ее, безусловно, еще недостаточно для полной замены всех других моделей и алгоритмов.
=============================================
Глубокое обучение станет популярным, как и SVM, которая быстро улучшилась в начале 2000-х годов. Однако сложность глубокого обучения и его потребность в большом количестве данных все еще необходимо решить, прежде чем Deep Learning станет первым выбором для алгоритмов машинного обучения.
Ответ - Нет не сделает