Aprendizaje profundo vs árboles de Decisión y potenciar los métodos de

Question

Estoy en busca de documentos o textos que comparan y discuten (ya sea empírica o teóricamente):

• Impulsar y árboles de Decisión de algoritmos tales como Bosques Aleatorios o AdaBoost, y GentleBoost aplica a árboles de decisión.

con

• Profundo de los métodos de aprendizaje tales como Restringido Máquinas de Boltzmann, Jerárquica y la Memoria Temporal, Convolucional Redes Neuronales, etc.

Más específicamente, ¿alguien sabe de un texto que describen o comparan estos dos bloques de ML métodos en términos de velocidad, precisión o convergencia? También, estoy buscando textos que explican o resumen de las diferencias (por ejemplo, pros y contras) entre los modelos o métodos en el segundo bloque.

Los punteros o respuestas abordar tales comparaciones directamente sería muy apreciada.

Answer 1

Puedes ser más específico acerca de los tipos de datos que usted está mirando? Esto, en parte, determinar qué tipo de algoritmo converge más rápido.

Tampoco estoy seguro de cómo la comparación de métodos como el impulso y el DL, como aumentar la realidad es sólo una colección de métodos. ¿Qué otros algoritmos están utilizando con el impulso?

En general, DL técnicas puede ser descrito como capas de codificador/decodificador. Sin supervisión de pre-entrenamiento obras de la primera pre-entrenamiento de cada capa mediante la codificación de la señal, la decodificación de la señal, entonces la medición del error de reconstrucción. La sintonización puede entonces ser utilizado para obtener un mejor rendimiento (por ejemplo, si el uso de eliminación de ruido apilados autoencoders puede utilizar propagación hacia atrás).

Un buen punto de partida para DL teoría es la siguiente:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.73.795&rep=rep1&type=pdf

así como estos:

http://portal.acm.org/citation.cfm?id=1756025

(lo siento, tenía que eliminar el enlace debido a SPAM sistema de filtración)

Yo no incluir información sobre la Rbm, pero están estrechamente relacionados (aunque personalmente un poco más difícil de entender al principio).