首页
查找话题
首页
是不是并不是所有问题都适合用神经网络预测?
是不是并不是所有问题都适合用神经网络预测? 第1页
1
yukio-2 网友的相关建议:
小样本情况,无论是低维还是高维,不如SVM和贝叶斯模型
低维数据,大样本量,不如各种ensemble类算法
以上主要问题在于过拟合,传统机器学习算法大部分对过拟合都有比较合理的解决方案,而神经网络基本只靠heuristic。dropout虽然在Bayesian deep learning里面有不错的意义,但只依靠dropout来做inference实践上未免有点单薄
低维时序数据,小样本量,大部分情况下比不过HMM,ARIMA一类的,比如语音识别里至今CNN没有比HMM效果好多少
三维的图像数据,神经网络参数量太大,虽然有不少文章voxel based cnn,我目前还没有复现过效果比较好的模型
上面的三维数据,有一种做法是多视角赤极投影,然后用LSTM去学,然而实数空间不存在一个SO(3)群到S2群的连续映射,因为二者不同构,所以即使你做出实验效果,也有可能是某种过拟合的结果
神经网络容易受到对抗样本的攻击,攻击很容易,防御十分困难,目前为止的大部分防御措施都被指出存在漏洞
不规则数据,比如说graph signal或者point cloud,虽然有不少文章都尝试graph signal上做卷积,但是目前为止,应用在复杂数据集上效果欠佳,而且数学研究者的工作与CS研究者的工作还有着巨大的隔阂
有一些文章用神经网络做图像去噪,这类的文章,凡声称自己是“盲”去噪,不加任何正则项先验项的,有一大部分连自己到底想做到什么样的目标都说不清
是不是并不是所有问题都适合用神经网络预测? 的其他答案 点击这里
1
相关话题
应届硕士毕业生如何拿到知名互联网公司算法岗(机器学习、数据挖掘、深度学习) offer?
新手如何实现个简单AutoML框架。有参考的github开源项目介绍吗?
GPU 与 CPU 比较,为什么说 GPU 更适合深度学习?
奇异值分解(SVD)有哪些很厉害的应用?
有没有哪些人工的工作是无法被机器替代的?
如何理解深度学习源码里经常出现的logits?
如何评价 MSRA 最新的 Deformable Convolutional Networks?
深度学习在无人驾驶汽车上面的运用有哪些?
各种机器学习算法的应用场景分别是什么(比如朴素贝叶斯、决策树、K 近邻、SVM、逻辑回归最大熵模型)?
CNN网络的pooling层有什么用?
前一个讨论
正负样本极不平衡的问题?
下一个讨论
怎样才能写出 Pythonic 的代码?
相关的话题
如何评价亚马逊AI新开源自动机器学习项目AutoGluon?
如何评价中科大实现了媲美人脑能效的类脑突触原型器件?
如何理解今年发表在JMLR上随机森林算法SPORF?
如何看待华为 4 月 25 日发布的盘古智能大模型?在这个行业处于什么水平?
去美国读CS博士,方向是机器人导航,视觉方面,推荐一下相关编程方面准备?还有相关算法需要学习哪些?
TensorFlow的自动求导具体是在哪部分代码里实现的?
有哪些比较好的机器学习,深度学习的网络资源可利用?
Yann LeCun、Geoffrey Hinton或Yoshua Bengio能得图灵奖吗?
如何评价Yann LeCun宣称『他已经做好放弃概率论的准备』?
GAN的生成器是怎么产生图片的?
R 中的哪些命令或者包让你相见恨晚?
神经网络,分类和回归问题,在网络结构上的区别是什么?分类比回归多一层softmax吗?诚心求教?
假如我穿越到2017年第一个提出了Transformer、BERT等模型,我可以保送到清华北大吗?
LSTM如何来避免梯度弥散和梯度爆炸?
为什么自动控制理论这么玄学?
KL散度衡量的是两个概率分布的距离吗?
ICLR 2021 有什么值得关注的投稿?
如何看待KDD'21的文章,异质图神经网络的效果不如简单的GCN、GAT?
机器学习以及贝叶斯统计里,关于近似intractable integral,大家都偏爱什么算法?
Batch normalization和Instance normalization的对比?
深度学习做股票预测靠谱吗?
如何评价谷歌大脑的EfficientNet?
人工智能被高估了吗?
Dirichlet Processes 是一个什么样的随机过程?
在Auto ML的冲击下,ML算法人员是否会在前者成熟后失业的情况?
能否介绍一下强化学习(Reinforcement Learning),以及与监督学习的不同?
如何评价陈天奇团队新开源的TVM?
现在tensorflow和mxnet很火,是否还有必要学习scikit-learn等框架?
Domain Adaptation学术上有哪些方向,还有哪些可做的地方?
联邦学习/联盟学习 (Federated Learning) 的发展现状及前景如何?
服务条款
联系我们
关于我们
隐私政策
© 2025-04-26 - tinynew.org. All Rights Reserved.
© 2025-04-26 - tinynew.org. 保留所有权利