Де і чому блищить глибоке навчання?

З усіма медіа-розмовами про глибоке вивчення цих днів я прочитав деякі елементарні речі про це. Щойно я виявив, що це просто ще один метод машинного навчання для вивчення шаблонів з даних. Але моє запитання: де і чому цей метод світить? Чому всі говорять про це саме зараз? Тобто в чому суєта?

Основні переваги:

(1) Не потрібно передавати інженерні функції для нелінійних проблем навчання (заощаджуйте час та масштабуйте майбутнє, оскільки ручна інженерія дехто сприймає як короткотермінову допомогу)

(2) Вивчені функції іноді кращі, ніж найкращі ручні функції, і можуть бути настільки складними (комп’ютерне бачення - наприклад, обличчясті функції), що інженеру знадобиться занадто багато людського часу.

(3) Може використовувати незазначені дані для попередньої підготовки мережі. Припустимо, у нас є 1000000 зображень без маркування та 1000 зображень із міткою. Зараз ми можемо кардинально вдосконалити алгоритм керованого навчання, попередньо підготувавшись до 1000000 зображень без маркування з глибоким навчанням. Крім того, в деяких областях у нас є стільки без маркування даних, але мічені дані важко знайти. Цінним є алгоритм, який може використовувати ці немечені дані для покращення класифікації.

(4) Емпірично розгромило багато орієнтирів, які бачили лише додаткові покращення до впровадження методів глибокого навчання.

(5) Один і той же алгоритм працює в декількох областях із сирими (можливо, з незначними попередніми обробками) входами.

(6) Тримає вдосконалення, оскільки в мережу подається більше даних (якщо припускати стаціонарні розподіли тощо).

Ще один важливий момент, окрім сказаного (у мене немає достатньої кількості представників, щоб просто додати це як коментар), це те, що це генеративна модель (принаймні мережі глибоких переконань), і таким чином ви можете взяти вибірку з вивчених розподілів - це може мають деякі основні переваги в певних програмах, де потрібно генерувати синтетичні дані, відповідні вивченим класам / кластерам.