Наприклад, для класифікації електронних листів як спаму, чи варто - з точки зору часу / точності - застосовувати глибоке навчання (якщо можливо) замість іншого алгоритму машинного навчання? Чи глибоке навчання зробить інші алгоритми машинного навчання, як наївний Байєс, непотрібними?
Відповіді:
Вся справа в поверненні інвестицій . Якщо DL "варто зробити", це не зайве.
Якщо вартість використання DL (комп'ютерні цикли, зберігання, час навчання) є прийнятною, а наявних даних для її навчання достатньо, а якщо гранична перевага перед альтернативними алгоритмами цінна, то DL - це виграш.
Але, як ви підказуєте, якщо ваша проблема піддається альтернативним методам, особливо якщо вона пропонує сигнал, який добре відповідає класичним методам, таким як регресія чи наївний Байєс, або ваша проблема потребує пояснення, чому межа рішення є там, де вона є (наприклад, дерева рішень) або якщо вашим даним не вистачає безперервних градієнтів, необхідних DL (особливо, CNN), або ваші дані змінюються з часом, що вимагало б періодичної перепідготовки (особливо з непередбачуваними інтервалами), то DL, ймовірно, є для вас невідповідним.
Глибоке навчання є потужним, але це не є вищим методом, ніж байєсівський. Вони добре працюють над тим, що призначені для цього:
Використовуйте глибоке навчання:
Використовуйте наївних байесів: