¿Qué piensa Vladimir Vapnik sobre el aprendizaje profundo?

Answer 1

Probablemente lo considera un método viable al que puede contribuir de manera efectiva.

1. Vapnik históricamente desarrolló y apoyó la “teoría de Vapnik-Chervonenkis”, en la que publicó artículos hasta el año 2000. VC trata sobre la “teoría del aprendizaje estadístico”, que se basa en las estadísticas y la informática para crear una función predictiva para situaciones futuras basadas en información pasada.
2. El aprendizaje profundo se enfoca en la interpretación de grandes y variados conjuntos de datos para entrenar la precisión de una computadora.
3. Aunque Vapnik ha criticado el aprendizaje profundo por ser una fuerza bruta en el pasado, los éxitos significativos de AlphaGo, el reconocimiento del habla de aprendizaje profundo y el aprendizaje profundo en otros campos pueden haber demostrado su viabilidad para comprender mejor la inteligencia.

Es probable que su experiencia lo haya hecho parte integral de los esfuerzos de Facebook en el aprendizaje profundo y, por lo tanto, explica por qué se unió a su grupo.

Incluso si él no considera que el aprendizaje profundo sea el mejor método para acercarse a la inteligencia a nivel humano, el hecho de que utilice la interpretación estadística de grandes conjuntos de datos (que pueden correlacionarse con su trabajo sobre la teoría de la CV) en su aplicación lo hace especialmente adecuado para seguir trabajando en este campo y mejorar el aprendizaje profundo para aplicaciones más difíciles.

Answer 2

Preguntas interesantes … Vea qué piensa LeCun sobre los SVM (GP3) Exclusivo de KDnuggets: Entrevista con Yann LeCun, experto en aprendizaje profundo, director de Facebook AI Lab

Answer 3

No estoy seguro de cuál sería exactamente su opinión, no creo que tenga una gran consideración por los aproximadores universales en general. En su libro SLT (pág. 11), señala claramente cómo los algoritmos de reconocimiento de patrones deben ser falsificables citando el problema de demarcación de Poppers. De hecho, sugiere que un algoritmo ML debe tener una dimensión VC finita para que tenga algún uso y significado. Las técnicas de aprendizaje profundo y las redes neuronales en general evitan la explicación de falsedad, son modelos matemáticos mal planteados que están obligados a realizar cualquier trabajo. Por lo tanto, me interesaría saber sus opiniones exactas, puede ser por una bebida.

Answer 4

Piensa que el aprendizaje profundo es falso, no funciona como un cerebro, pero no quiere decirlo claramente, por lo que está eligiendo cuidadosamente sus palabras.

Soy un inventor de algoritmos de acuerdo con aquellos en los que realmente funciona nuestro cerebro, por lo que no me importa criticar el aprendizaje profundo. Aquí está lo que he respondido para preguntar si se sobrevalora el aprendizaje profundo:

El aprendizaje profundo es una estafa que se propaga deliberadamente para mantenerte alejado de los principios reales de cómo funciona el cerebro humano. El aprendizaje profundo no tiene nada que ver con cómo funciona nuestro cerebro. En lugar de perder el tiempo con discusiones infructuosas y concentrarse en por qué o no, el aprendizaje profundo es un disparate (desde el punto de vista de la neurociencia), concentrarse en cómo superar la conspiración que se está difundiendo en los medios sobre el aprendizaje profundo y la inteligencia artificial en general. Ya hemos perdido más de 60 años de la mejor investigación de IA …

Si tiene éxito, América podría tener robots inteligentes que se comportan exactamente igual que las personas pronto , ¡incluso mañana!

Mis algoritmos cerebrales están disponibles si REALMENTE desea construir robots inteligentes.

Inteligencia General Artificial

Answer 5

Gracias por A2A, pero no tengo ni idea.