Derin Öğrenmenin avantajları:
➨Özellikler otomatik olarak çıkarılır ve istenen sonuç için en uygun şekilde ayarlanır. Özelliklerin önceden çıkarılması gerekmez. Bu, zaman alıcı makine öğrenimi tekniklerini önler.
➨Verilerdeki doğal varyasyonlara karşı dayanıklılık otomatik olarak öğrenilir.
➨Aynı sinir ağı tabanlı yaklaşım birçok farklı uygulamaya ve veri türüne uygulanabilir.
➨GPU'lar kullanılarak çok büyük paralel hesaplamalar gerçekleştirilebilir ve büyük hacimli veriler için ölçeklenebilir. Ayrıca, veri miktarı çok büyük olduğunda daha iyi performans sonuçları sağlar.
➨Derin öğrenme mimarisi, gelecekteki yeni sorunlara uyarlanmak için esnektir.
Derin Öğrenmenin dezavantajları:
➨Diğer tekniklerden daha iyi performans gösterebilmek için çok büyük miktarda veri gerektirir.
➨Karmaşık veri modelleri nedeniyle eğitilmesi son derece pahalıdır. Ayrıca derin öğrenme, pahalı GPU'lar ve yüzlerce makine gerektirir. Bu da kullanıcıların maliyetini artırıyor.
➨Topoloji, eğitim yöntemi ve diğer parametreler hakkında bilgi gerektirdiğinden, doğru derin öğrenme araçlarını seçmenizde size rehberlik edecek standart bir teori yoktur. Sonuç olarak, daha az yetenekli insanlar tarafından benimsenmesi zordur.
➨Yalnızca öğrenmeye dayalı çıktıları anlamak kolay değildir ve sınıflandırıcıların bunu yapmasını gerektirir. Evrişimli sinir ağı tabanlı algoritmalar bu tür görevleri yerine getirir.