Os modelos não vêem a realidade bruta. Vêem características, as propriedades mensuráveis ​​retiradas dos dados e inseridas num algoritmo de aprendizagem. Uma casa torna-se metragem quadrada, número de quartos, idade e localização. Um documento transforma-se em contagem de palavras ou representações vetoriais.

A engenharia de recursos já dominou a aprendizagem automática aplicada. Os profissionais criavam manualmente proporções, transformações logarítmicas e termos de interação para ajudar os modelos a encontrar padrões. A aprendizagem profunda mudou este cenário, permitindo que as redes aprendessem recursos diretamente a partir da entrada bruta.

Tipos de recursos comuns

• Valores numéricos como o preço ou a temperatura
• Rótulos categóricos codificados como números
• Texto convertido em contagens ou vetores
• Pixels de imagem ou incorporações aprendidas
• Razões e interações derivadas

Boas características transmitem o sinal. Características redundantes ou ruidosas tornam o treino mais lento e prejudicam a generalização. A seleção e extração de características continuam a ser importantes, especialmente em conjuntos de dados pequenos, onde a aprendizagem profunda tem pouca vantagem.