Quais são os prós e os contras das redes neurais artificiais?

Na ciência da computação e áreas afins, as redes neurais artificiais ( RNAs ) são modelos computacionais inspirados no sistema nervoso central de um animal (em particular o cérebro ), capaz de aprendizado de máquina e reconhecimento de padrões . As redes neurais artificiais são geralmente apresentadas como sistemas de ” neurônios ” interconectados, que podem calcular valores de entradas. – Rede neural artificial

Principal vantagem: O desenvolvimento de metodologias heuristicamente mais robustas para o desenvolvimento de algoritmos.

Principal vantagem: a ilusão de que imitar e modelar (especialmente) o SNC humano é a mesma coisa – o que eles enfaticamente não são (observe que os modelos mencionados na passagem citada acima são modelos computacionais ).

A essência do problema surge sempre que a noção de utilizar modelos computacionais para, por exemplo, replicar a consciência humana (“verdadeira” IA)

O problema neste caso é triplo:

(1) A mente humana demonstra que “não funciona” algoritmicamente.
(2) Ninguém sabe o que é a consciência humana, muito menos como ela funciona.
(3) Dado que um “modelo” é uma simulação coerente de algum aspecto da realidade: (a) como mencionado, o que a consciência humana é desconhecida e (b) a priori, o desconhecido não pode ser modelado, apenas, talvez imitado ( cf. Teste de Turing)

As RNA são boas para modelar os dados não lineares com um grande número de recursos de entrada, por exemplo, imagens.

Os limites de classificação são difíceis de entender intuitivamente e as RNAs são computacionalmente caras.

Se você tiver o conjunto de dados com pequeno número de recursos de entrada, talvez seja melhor usar outro modelo para reduzir a complexidade da computação, pois é possível classificar dados não lineares com outros classificadores, como também regressão logística polinomial ou SVMs.

Contras: NNs são utilizáveis ​​apenas para entradas numéricas, vetores com número constante de valores e conjuntos de dados com dados não ausentes.

Quando usados ​​corretamente, eles podem ser treinados para resolver algumas classificações de problemas difíceis de resolver com um algoritmo simples.

Como eles realmente resolvem esse problema é meio que uma caixa preta. Você não pode simplesmente analisar a RNA depois de treinada e descobrir como funciona para criar um algoritmo direto.

Além disso, é praticamente impossível ajustar o comportamento de uma RNA. Tudo o que você pode fazer é ajustar seu conjunto de treinamento e treinar novamente.

Em resumo, a Rede Neural Artificial pode ser usada para modelar qualquer conjunto de dados; no entanto, o modelo matemático abaixo da RNA não é representativo.