जवाबों:
यह रिटर्न ऑन इन्वेस्टमेंट के बारे में है । यदि DL "करने योग्य" है, तो यह ओवरकिल नहीं है।
यदि DL (कंप्यूटर चक्र, भंडारण, प्रशिक्षण समय) का उपयोग करने की लागत स्वीकार्य है, और इसे प्रशिक्षित करने के लिए उपलब्ध डेटा भरपूर है, और यदि वैकल्पिक एल्गोरिदम पर सीमांत लाभ मूल्यवान है, तो DL एक जीत है।
लेकिन, जैसा कि आप सुझाव देते हैं, यदि आपकी समस्या वैकल्पिक तरीकों के लिए उत्तरदायी है, खासकर अगर यह एक संकेत प्रदान करता है जो प्रतिगमन या भोले बेसेस जैसी क्लासिक विधियों के साथ अच्छी तरह से मेल खाता है, या आपकी समस्या के स्पष्टीकरण की आवश्यकता है कि निर्णय सीमा क्यों है? निर्णय पेड़), या यदि आपके डेटा में DL (विशेष रूप से, CNN) द्वारा आवश्यक निरंतर ग्रेडिएंट्स की कमी है, या आपका डेटा समय के साथ बदलता रहता है, जिसके लिए समय-समय पर रिट्रेनिंग की आवश्यकता होती है (विशेषकर अप्रत्याशित अंतराल पर), तो DL शायद आपके लिए एक बेमेल है।
डीप लर्निंग शक्तिशाली है लेकिन यह बायेसियन से बेहतर तरीका नहीं है। वे जो काम करने के लिए तैयार किए गए हैं, उसमें अच्छी तरह से काम करते हैं:
गहरी शिक्षा का उपयोग करें:
भोले बासीयन का उपयोग करें: