Identificación de conceptos de aprendizaje automático

Dada esta información, ¿qué modelo de aprendizaje cree que sería el más adecuado para predecir condiciones peligrosas, el aprendizaje automático o el aprendizaje profundo? ¿Por qué?

Las respuestas pueden variar, pero el aprendizaje automático estándar es probablemente el más apropiado en este caso. En primer lugar, el conjunto de datos es relativamente pequeño, ya que lo generan un número limitado de sensores durante un corto período de tiempo. Una semana puede no parecer corta, pero los modelos de aprendizaje profundo normalmente requieren muchos más datos para ser efectivos (millones de puntos de datos o más). En segundo lugar, la administradora de las instalaciones proporcionó las características de lo que está tratando de predecir (es decir, las mediciones que indican condiciones peligrosas), que es más aplicable al aprendizaje automático que al aprendizaje profundo.

Dada esta información, ¿qué modelo de aprendizaje cree que sería el más adecuado para predecir fallas en la red, el aprendizaje automático o el aprendizaje profundo? ¿Por qué?

Las respuestas pueden variar, pero el aprendizaje profundo es probablemente el más apropiado en este caso. A diferencia del ejemplo anterior, el conjunto de datos de este ejemplo es increíblemente grande. El aprendizaje profundo funciona mejor con grandes conjuntos de datos, mientras que el aprendizaje automático estándar puede tener dificultades para procesarlos. Además, la administradora de las instalaciones no conoce las características de lo que hay que predecir. El aprendizaje profundo puede compensar esto clasificando esos datos en capas. Cada capa se ocupa de dimensiones cada vez más complejas de los datos hasta que una predicción de alto nivel sea posible.