Explicar la definición de IA es complicado porque el concepto de inteligencia es discutible. Algunos dicen que un agente es inteligente si su desempeño en una tarea determinada es indistinguible del de un ser humano, algunos dicen que un agente que parece seguir una lógica razonable para resolver una tarea es inteligente.
Tomemos el camino seguro y asumamos que AI estudia cómo resolver problemas para los cuales no podemos usar fácilmente la programación regular , ya sea porque no podemos definir reglas claras para el comportamiento óptimo o porque la máquina debe ser robusta para situaciones impredecibles.
Dicho esto, los investigadores han estado trabajando en este problema durante mucho tiempo, y las comunidades de investigadores crearon varias subáreas que estudian cómo resolver partes de este problema, o que se especializan en una sola categoría de soluciones. Machine Learning (ML) es una de las varias subáreas de IA (¿Cuáles son los subcampos de AI?)
- ¿La IA reemplazará a los humanos en el campo del diseño?
- ¿Cuáles son algunas buenas aplicaciones que se han desarrollado con TensorFlow?
- ¿Cuáles son algunos proyectos desafiantes pero factibles que un estudiante de CS puede hacer en C o C ++ en los campos de DBMS, visión por computadora, inteligencia artificial, redes de computadoras y compiladores?
- ¿Hay repositorios de investigación en línea para la investigación de inteligencia artificial?
- ¿Por qué Oslo no crea empleados con inteligencia artificial para reemplazar a los inmigrantes?
ML se utiliza para problemas en los que ni siquiera un experto puede explicar reglas o definir un modelo para decidir cómo y / o cuándo tomar una acción, y por lo tanto la máquina tiene que aprender la tarea analizando datos .
ML se divide aproximadamente en tres áreas principales:
- Aprendizaje supervisado
- Aprendizaje sin supervisión
- Aprendizaje reforzado
Todas esas áreas tienen sus particularidades, pero todas se centran en cómo aprender a través de los datos.
Conclusión
Machine Learning es un subcampo de IA , donde los agentes deben aprender cómo resolver un problema o cómo mejorar su rendimiento mediante el análisis de datos.