Les points faibles du réseau de neurones artificiels

Malgré d’être extrêmement utile pour manipuler des données. Aussi, en tant que cerveau scientifique, les réseaux de neurones ont leurs propres faiblesses et désavantages (Tu (1996))

• Ils nécessitent d’énormes quantités de données. La plupart des problèmes, nous ne pensons pas à utiliser un réseau neuronal sans au moins 10 000 exemples. Et de préférence en millions. D’autres algorithmes (par exemple les arbres de décision, la régression logistique, Bayes naïve) peuvent bien fonctionner avec beaucoup moins de données.

• Ils sont très coûteux à calculer pour s’entraîner (évaluation assez bizarre cependant). Ce ne sont que les avancées dans les GPU qui ont rendu les réseaux de neurones de formation viables.

• Le fondement théorique des réseaux neuronaux est le plus faible des limites modernes de l’apprentissage par machine. Les méthodes du noyau, les méthodes théoriques de l’information (par exemple les arbres de décision) et les modèles graphiquesprobabilistesonttousdesfondementsthéoriquesconsidérablement plus forts. • L’élaboration de la topologie du réseau neuronal pour un problème est un «art noir»:ilyadesannéesd’expérienceetd’intuitionetdeshacksétrangescomme les «décrocheurs».

• Le classificateur produit est incompréhensible. Pour certains domaines, par ex. Médical et de la fraude, c’est un obstacle. Pour ce problème, nous avons tendance à utiliser des réseaux neuronaux profonds, également connus sous le nom de réseaux neuronaux neuronaux convolutifs énoncés dans le contexte de l’apprentissage en profondeur.