Ventajas del Machine Learning

 Ayuda con problemas en los cuales las soluciones existentes requieren ajustes manuales
o largas listas de normas: un algoritmo de aprendizaje de la máquina a menudo permite
simplificar el código y así obtener un mejor rendimiento.
 Problemas complejos para los que no se obtiene una solución adecuada al utilizar un
enfoque tradicional.
 Entornos fluctuantes: un sistema de aprendizaje automático permite la adaptación a los
nuevos datos.
 Obtener información en problemas complejos y grandes cantidades de datos.
Desventajas del Machine Learning

 Guiar al programa en todas las fases del sistema para que sepa identificar cada categoría
automáticamente, por lo tanto, esta modalidad necesita de un aprendizaje supervisado. 
Ventajas de las Redes Neuronales

 Es resolver problemas complejos para tecnologías convencionales que no pueden

resolverse mediante algoritmos, o para los que una solución algorítmica es demasiado
difícil de definir para ello. Las redes neuronales pueden resolver problemas que pueden
ser las personas lo resuelven fácilmente, pero no las computadoras, como el patrón
reconocimiento y previsión de que la tendencia de los datos es esencial.
 Las redes neuronales artificiales son eficientes en tareas tales como el reconocimiento
de patrones, problemas de optimización o clasificación, y se pueden integrar en un
sistema de ayuda a la toma de decisiones, pero no son una panacea capaz de resolver
todos los problemas: todo lo contrario, son modelos muy especializados que pueden
aplicarse en dominios muy concretos.
 En la actualidad son ampliamente usadas en diferentes campos, por ejemplo
reconocimiento de imágenes a través de patrones. En este sentido, también los
especialistas, expertos, etc., han desarrollado tecnología que permite modelar los
diferentes tipos de redes neuronales.

Desventajas de las Redes Neuronales

 En las Redes neuronales se puede utilizar relaciones lineales y no lineales directamente

desde los datos que se modelan, pero, para datos modelados no lineales con
características, los modelos lineales tradicionales no son apropiado.
 No permite interpretar lo que se ha aprendido, la red por si sola proporciona una salida,
un número, que no puede ser interpretado por ella misma, sino que se requiere de la
intervención del programador y de la aplicación en si para encontrarle un significado a
la salida proporcionada.
 Elevada cantidad de datos para el entrenamiento, cuanto mas flexible se requiera que
sea la red neuronal, mas información tendrá que enseñarle para que realice de forma
adecuada la identificación.
Referencias Bibliográficas:
[1] A. Ghazvini, S. Norul, M. Ariff, M. Nawawi, and Z. Abidin, “Distance Prediction for
Commercial Serial Crime Cases Using Time Delay Neural Networks,” Int. J. Adv. Comput. Sci.
Appl., vol. 6, no. 11, pp. 1–11, 2015, doi: 10.14569/ijacsa.2015.061101.
[2] L. M. González-Páramo, “Herramientas Avanzadas De Análisis De Datos De
Aplicación En Ingeniería Civil,” p. 136, 2017.
[3] X. Pang, Y. Zhou, P. Wang, W. Lin, and V. Chang, “Stock market prediction based on
deep long short term memory neural network,” COMPLEXIS 2018 - Proc. 3rd Int. Conf.
Complexity, Futur. Inf. Syst. Risk, vol. 2018-March, no. Complexis 2018, pp. 102–108, 2018,
doi: 10.5220/0006749901020108.
[4] R. Setiono, W. K. Leow, and J. M. Zurada, “Extraction of rules from artificial neural
networks for nonlinear regression,” IEEE Trans. Neural Networks, vol. 13, no. 3, pp. 564–577,
2002, doi: 10.1109/TNN.2002.1000125.