Estou procurando artigos ou textos que comparem e discutam (empiricamente ou teoricamente):
- Algoritmos de árvores de Boosting e Decision , como Random Forests ou AdaBoost , e GentleBoost, aplicados a árvores de decisão.
com
- Métodos de aprendizado profundo, como Máquinas Boltzmann Restritas , Memória Temporal Hierárquica , Redes Neurais Convolucionais , etc.
Mais especificamente, alguém conhece um texto que discute ou compara esses dois blocos de métodos de BC em termos de velocidade, precisão ou convergência? Além disso, estou procurando textos que expliquem ou sintetizem as diferenças (por exemplo, prós e contras) entre os modelos ou métodos no segundo bloco.
Quaisquer sugestões ou respostas que abordem essas comparações diretamente serão muito apreciadas.
fonte
Ótima pergunta! Tanto o estímulo adaptativo quanto o aprendizado profundo podem ser classificados como redes probabilísticas de aprendizado. A diferença é que a "aprendizagem profunda" envolve especificamente uma ou mais "redes neurais", enquanto "impulsionar" é um "algoritmo de meta-aprendizagem" que requer uma ou mais redes de aprendizagem, chamadas de alunos fracos, que podem ser "qualquer coisa" (ou seja, rede neural, árvore de decisão, etc). O algoritmo de impulso leva uma ou mais de suas fracas redes de aprendizes para formar o que é chamado de "aprendiz forte", o que pode "impulsionar" significativamente os resultados gerais das redes de aprendizado (por exemplo, Viola e Jones Face Detector, da Microsoft, OpenCV).
fonte