Publish Date
深層学習はデータが多くてなんぼ
Courseraの機械学習コースの講師だったAndrew Ngは次の2本線を用いて深層学習と従来の機械学習の違いを説明しました。
従来の機械学習（ロジスティック回帰・SVM）では十分なデータが得られた後にパフォーマンスが停滞するが、深層学習は向上し続ける、という趣旨です。
逆にいうとデータが足りない場合はどちらの手法も対して変わらない、むしろ従来の機械学習の方が良いです。図中においても従来の機械学習（青線）と深層学習（赤線）が交差し、深層学習が優位になるまでは従来の機械学習の方がパフォーマンス高いというのは意図しているのでしょう。
どれくらいデータがあれば良いのか
どこから深層学習に切り替わるべきなのか
「十分なデータ」とはどれくらいのなのでしょうか？いろんな議論ができますが、深層学習に比べれば従来の機械学習は学習コストが少なく、データが少なければ深層学習も大した計算量を必要としません。そのため、単純に両方使ってみて決めればいいと思います。興味本位でMNISTを使って比べました。
Jupyter Notebook (Github)
結果を見るとデータが少ない状況でも深層学習モデルのパフォーマンスが優位なようですね。
Interesting Research
‣
参考文献
https://towardsdatascience.com/how-do-you-know-you-have-enough-training-data-ad9b1fd679ee