Глубокое обучение действительно проявляет себя, когда дело доходит до сложных задач, которые часто требуют работы с большим количеством неструктурированных данных, таких как классификация изображений, обработка естественного языка или распознавание речи, среди прочего. Однако для более простых задач, требующих более простой разработки функций и не требующих обработки неструктурированных данных, классическое машинное обучение может быть лучшим вариантом.
Отсутствие достаточно большого корпуса точно размеченных высококачественных данных - одна из основных причин, по которым глубокое обучение может иметь неутешительные результаты в некоторых бизнес-случаях.
Когда дело доходит до очистки, подготовки и маркировки данных, организации сталкиваются с множеством проблем, и эти процессы часто отнимают у команд огромное количество времени и ресурсов, которые можно было бы лучше потратить на создание следующих моделей машинного обучения или запуск моделей в производство. Одним из способов решения громоздкой задачи маркировки данных является активное обучение, но в тех случаях, когда получение очень больших объемов эффективно помеченных данных невозможно,следует выбрать более классические алгоритмы машинного обучения и модели могут лучше использовать время, усилия и ресурсы ваших специалистов по обработке данных.
Ответ - Нет