¿Hay alguna diferencia entre la inteligencia artificial y el aprendizaje automático?

La inteligencia artificial (IA) y el aprendizaje automático (ML) son dos palabras de moda muy populares en este momento, y a menudo parecen usarse indistintamente. No son exactamente lo mismo, pero la percepción de que lo son a veces puede generar cierta confusión. Inteligencia artificial demostrada por máquinas, en contraste con la inteligencia natural (NI) mostrada por humanos. el aprendizaje automático es simplemente una forma de lograr la IA. puedes aprender más sobre IA y ML a través de recursos en línea … también puedo sugerirte los mejores cursos en línea de Machine Learning:

• El curso completo de aprendizaje automático con Python
• Machine Learning AZ ™: Python práctico y R en ciencia de datos

Elige el primer plato … De este curso puedes aprender sobre:

Pasará de principiante a nivel extremadamente alto y su instructor construirá cada algoritmo con usted paso a paso en la pantalla.

Al final del curso, habrá entrenado algoritmos de aprendizaje automático para clasificar flores, predecir el precio de la vivienda, identificar letras o dígitos, identificar al personal que tiene más probabilidades de irse prematuramente, ¡detectar células cancerosas y mucho más!

Dentro del curso, aprenderá a:

• Configure un entorno de desarrollo de Python correctamente
• Obtenga conjuntos completos de herramientas de aprendizaje automático para abordar la mayoría de los problemas del mundo real
• Comprenda las diversas métricas de rendimiento de regresión, clasificación y otros algoritmos ml, como R-cuadrado, MSE, precisión, matriz de confusión, previsión, recuperación, etc. y cuándo usarlos.
• Combina múltiples modelos con embolsado, refuerzo o apilamiento
• Utilice los algoritmos de aprendizaje automático (ML) no supervisados, como la agrupación jerárquica, la agrupación k-means, etc. para comprender sus datos
• Desarrollar en notebook Jupyter (IPython), Spyder y varios IDE
• Comuníquese visual y efectivamente con Matplotlib y Seaborn
• Diseñe nuevas funciones para mejorar las predicciones de algoritmos
• Utilice la validación cruzada de tren / prueba, K-fold y K-fold estratificado para seleccionar el modelo correcto y predecir el rendimiento del modelo con datos no vistos
• Use SVM para el reconocimiento de escritura y problemas de clasificación en general
• Utilice los árboles de decisión para predecir la deserción del personal.
• Aplicar la regla de asociación a conjuntos de datos de compras minoristas

Recursos adicionales:

• Ciencia de datos, aprendizaje profundo y aprendizaje automático con Python

Los mejores cursos artificiales en línea:

• Inteligencia Artificial AZ ™: Aprenda a construir una IA
• IA avanzada: aprendizaje de refuerzo profundo en Python

Ambos términos se usan indistintamente. Aunque ambos sientan sus bases en la informática, la IA es un subcampo de CS y ML un subcampo de IA.

La Inteligencia Artificial es la inteligencia humana exhibida por las máquinas (en otras palabras, el intento de la informática de construir máquinas capaces de un comportamiento inteligente).

Además, el aprendizaje automático es un enfoque para lograr la inteligencia humana y un ejemplo básico sería utilizar algoritmos para analizar datos, aprender de ellos y tomar una decisión o predicción racional sobre esos datos (o el mundo).

En esencia, mientras que la Universidad de Stanford define el aprendizaje automático como “la ciencia de hacer que las computadoras actúen sin ser programadas explícitamente”. Aún necesitaría investigadores de IA para construir estas máquinas inteligentes, pero también necesitará expertos en aprendizaje automático para que sean realmente inteligentes.

Quiero leer más aquí es una breve descripción de la diferencia entre los dos.

¿La diferencia entre IA, aprendizaje automático y aprendizaje profundo? El | Blog de NVIDIA

Aprendizaje automático versus IA: ¿cuál es la diferencia?

La Inteligencia Artificial (IA) se trata de simular inteligencia en máquinas. Machine Learning (ML) es un subconjunto de IA. La inteligencia artificial se puede lograr de dos maneras principales.

1. El primer enfoque es construir un conjunto de reglas / condiciones o modelos hechos a mano para imitar la inteligencia. Estas reglas / modelos son construidos por humanos usando su experiencia . Las máquinas se comportan como un ser inteligente debido a la transferencia de conocimiento (motor de ajedrez Stockfish o seguimiento basado en visión artificial, etc.)
2. El segundo enfoque o enfoque ML está basado en datos. Tomamos un modelo flexible y ajustamos automáticamente sus parámetros utilizando los datos. El modelo aprende de los datos por sí solo y se comporta de manera inteligente (motor de ajedrez Alpha Zero)

Hay enfoques donde se utilizan los dos enfoques anteriores. Tanto el primer enfoque como el segundo son parte de la IA, pero solo el segundo enfoque se encuentra en ML.

Deep Learning (DL) es un subconjunto de ML. Normalmente en ML, uno usa modelos más simples y selecciona las características correctas para entrenar el modelo. En DL, el modelo es muy grande y aprende automáticamente qué características usar por sí mismo. Para resolver problemas del mundo real como los autos sin conductor, las personas utilizan todos los enfoques.

El aprendizaje automático es un subconjunto de la inteligencia artificial que está iniciando los pasos para lograr la inteligencia general artificial. Los algoritmos de aprendizaje automático están diseñados de tal manera que hacen que el dominio de la computadora sea una habilidad específica (clasificación de objetos, clasificación de texto, automóvil autónomo). La mayoría de los algoritmos de aprendizaje automático necesitan mucha muestra de entrenamiento para aprender.

Y la inteligencia artificial es el objetivo final para lograr la singularidad que hace que la computadora supere la inteligencia humana en todas las dimensiones.

En 2017, hemos logrado mucho más éxito para lograrlo.

AlphaGo Zero (papel). Este nuevo enfoque no solo mejora en algunas de las direcciones más prometedoras (por ejemplo, el aprendizaje de refuerzo profundo), sino que también representa un cambio de paradigma en el que dichos modelos pueden aprender sin datos. También hemos aprendido recientemente que Alpha Go Zero se generaliza a otros juegos como el ajedrez.

Las redes adversas generativas (GAN para abreviar) serán la próxima gran novedad en el aprendizaje profundo, y las GAN cambiarán la forma en que vemos el mundo. Las GAN cambiarán el mundo – Nikolai Yakovenko – Medium

Un cambio fundamental muy reciente propuesto por Hinton es el uso de cápsulas (ver documento original) como una alternativa a las Redes Convolucionales.

La inteligencia artificial (IA) y el aprendizaje automático (ML) son dos tecnologías de tendencia en la actualidad. Las personas a menudo se confunden entre estas tecnologías. Déjame darte una aclaración sobre esto.

Inteligencia artificial:

El objetivo de la inteligencia artificial es hacer que las máquinas piensen y actúen como humanos. Por ejemplo, los sistemas de reconocimiento de voz pueden predecir la respuesta a las preguntas de las personas.

Los dispositivos de Inteligencia Artificial están diseñados para actuar de manera inteligente y se clasifican en dos grupos fundamentales: aplicados y generales.

La IA aplicada está diseñada para intercambiar acciones y acciones de manera inteligente, y el vehículo autónomo también se aplica bajo la IA aplicada. La IA general es un área que ayuda al desarrollo de Machine Learning.

Aprendizaje automático:

El aprendizaje automático es un subcampo de la IA, donde se les enseña a las máquinas a trabajar en sí mismas y adaptarse a los cambios. Los algoritmos de aprendizaje automático se dividen en dos categorías, las supervisadas y las no supervisadas. Los algoritmos supervisados ​​necesitan que los humanos proporcionen tanto la entrada como la salida deseada, además de dar retroalimentación sobre la precisión de las predicciones durante el entrenamiento. Una vez que se completa el entrenamiento, el algoritmo aplica las técnicas que aprendió.

Los algoritmos no supervisados ​​no requieren ninguna capacitación que se brinde con los datos. En cambio, utilizan el aprendizaje profundo para revisar los datos y llegar a conclusiones. Los algoritmos de aprendizaje sin supervisión se utilizan para trabajar en tareas de procesamiento complejas.

La IA es básicamente la ‘inteligencia’ o la ‘tecnología’, mientras que el aprendizaje automático es la implementación de los métodos computacionales.

Si necesita servicios en IA y ML, deje que USM lo ayude.

USM Business Systems es una compañía global de desarrollo de aprendizaje automático en Texas, Chantilly y Asia Pacífico. USM proporciona servicios en minería de datos, análisis de texto, procesamiento de imágenes. USM es una de las mejores empresas de desarrollo de inteligencia artificial en Dallas. USM ofrece servicios de inteligencia artificial y aprendizaje automático para minoristas, banca y finanzas, comercio electrónico, atención médica, marketing y ventas, y empresas de telecomunicaciones.

La inteligencia artificial (IA) y el aprendizaje automático (ML) son dos palabras de moda muy populares en este momento, y a menudo parecen usarse indistintamente.

No son exactamente lo mismo, pero la percepción de que lo son a veces puede generar cierta confusión. Entonces pensé que valdría la pena escribir un artículo para explicar la diferencia.

Ambos términos surgen con mucha frecuencia cuando el tema es Big Data, análisis y las olas más amplias de cambio tecnológico que están arrasando nuestro mundo.

En resumen, la mejor respuesta es que:

La Inteligencia Artificial es el concepto más amplio de máquinas capaces de realizar tareas de una manera que consideraríamos “inteligente”.

Y,

Machine Learning es una aplicación actual de IA basada en la idea de que realmente deberíamos ser capaces de dar acceso a las máquinas a los datos y dejar que aprendan por sí mismos.

Primeros días

La inteligencia artificial ha existido durante mucho tiempo: los mitos griegos contienen historias de hombres mecánicos diseñados para imitar nuestro propio comportamiento. Las primeras computadoras europeas fueron concebidas como “máquinas lógicas” y al reproducir capacidades como la aritmética básica y la memoria, los ingenieros vieron su trabajo, fundamentalmente, como intentar crear cerebros mecánicos.

A medida que la tecnología y, lo que es más importante, nuestra comprensión de cómo funciona nuestra mente, ha progresado, nuestro concepto de lo que constituye la IA ha cambiado. En lugar de cálculos cada vez más complejos, el trabajo en el campo de la IA se concentró en imitar los procesos humanos de toma de decisiones y llevar a cabo tareas de formas cada vez más humanas.

Las inteligencias artificiales, dispositivos diseñados para actuar de manera inteligente, a menudo se clasifican en uno de dos grupos fundamentales: aplicados o generales. La IA aplicada es mucho más común: los sistemas diseñados para negociar inteligentemente acciones y participaciones, o maniobrar un vehículo autónomo entrarían en esta categoría.

Redes neuronales: inteligencia artificial y aprendizaje automático (fuente: Shutterstock)

Las IA generalizadas (sistemas o dispositivos que en teoría pueden manejar cualquier tarea) son menos comunes, pero aquí es donde están ocurriendo algunos de los avances más emocionantes en la actualidad. También es el área que ha llevado al desarrollo de Machine Learning. A menudo conocido como un subconjunto de IA, es realmente más preciso pensar en él como el estado actual de la técnica.

El surgimiento del aprendizaje automático

Dos avances importantes condujeron a la aparición del aprendizaje automático como el vehículo que impulsa el desarrollo de la inteligencia artificial con la velocidad que tiene actualmente. Uno de ellos fue la comprensión, acreditado a Arthur Samuel en 1959, de que en lugar de enseñar a las computadoras todo lo que necesitan saber sobre el mundo y cómo llevar a cabo tareas, podría ser posible enseñarles a aprender por sí mismos.

El segundo, más recientemente, fue la aparición de Internet y el gran aumento en la cantidad de información digital que se genera, almacena y pone a disposición para su análisis.

Una vez que se implementaron estas innovaciones, los ingenieros se dieron cuenta de que, en lugar de enseñarles a las computadoras y las máquinas cómo hacer todo, sería mucho más eficiente codificarlas para pensar como seres humanos, y luego conectarlas a Internet para darles acceso a todos La información en el mundo.

Redes neuronales

El desarrollo de redes neuronales ha sido clave para enseñar a las computadoras a pensar y comprender el mundo de la manera en que lo hacemos, al tiempo que conserva las ventajas innatas que tienen sobre nosotros, como la velocidad, la precisión y la falta de sesgo.

Una red neuronal es un sistema informático diseñado para funcionar clasificando la información de la misma manera que lo hace un cerebro humano. Se le puede enseñar a reconocer, por ejemplo, imágenes y clasificarlas de acuerdo con los elementos que contienen.

Esencialmente funciona en un sistema de probabilidad, basado en los datos que se le proporcionan, es capaz de hacer declaraciones, decisiones o predicciones con cierto grado de certeza. La adición de un ciclo de retroalimentación permite el “aprendizaje”: al detectar o saber si sus decisiones son correctas o incorrectas, modifica el enfoque que adopta en el futuro.

Las aplicaciones de Aprendizaje automático pueden leer el texto y determinar si la persona que lo escribió está presentando una queja u ofreciendo felicitaciones. También pueden escuchar una pieza musical, decidir si es probable que haga feliz o triste a alguien, y encontrar otras piezas musicales que coincidan con el estado de ánimo. En algunos casos, incluso pueden componer su propia música expresando los mismos temas, o que saben que es probable que sean apreciados por los admiradores de la pieza original.

Estas son todas las posibilidades que ofrecen los sistemas basados ​​en ML y redes neuronales. Gracias, en gran parte, a la ciencia ficción, también surgió la idea de que deberíamos poder comunicarnos e interactuar con dispositivos electrónicos e información digital, tan naturalmente como lo haríamos con otro ser humano. Con este fin, otro campo de la IA, el procesamiento del lenguaje natural (PNL), se ha convertido en una fuente de innovación enormemente emocionante en los últimos años, y que depende en gran medida del aprendizaje automático.

La inteligencia artificial (IA) y el aprendizaje automático (ML) son dos palabras de moda muy populares en este momento, y a menudo parecen usarse indistintamente.

No son exactamente lo mismo, pero la percepción de que lo son a veces puede generar cierta confusión. Entonces pensé que valdría la pena escribir un artículo para explicar la diferencia.

Ambos términos surgen con mucha frecuencia cuando el tema es Big Data, análisis y las olas más amplias de cambio tecnológico que están arrasando nuestro mundo.

En resumen, la mejor respuesta es que:

La Inteligencia Artificial es el concepto más amplio de máquinas capaces de realizar tareas de una manera que consideraríamos “inteligente”.

Y,

Machine Learning es una aplicación actual de IA basada en la idea de que realmente deberíamos ser capaces de dar acceso a las máquinas a los datos y dejar que aprendan por sí mismos.

Primeros días

La inteligencia artificial ha existido durante mucho tiempo: los mitos griegos contienen historias de hombres mecánicos diseñados para imitar nuestro propio comportamiento. Las primeras computadoras europeas fueron concebidas como “máquinas lógicas” y al reproducir capacidades como la aritmética básica y la memoria, los ingenieros vieron su trabajo, fundamentalmente, como intentar crear cerebros mecánicos.

A medida que la tecnología y, lo que es más importante, nuestra comprensión de cómo funciona nuestra mente, ha progresado, nuestro concepto de lo que constituye la IA ha cambiado. En lugar de cálculos cada vez más complejos, el trabajo en el campo de la IA se concentró en imitar los procesos humanos de toma de decisiones y llevar a cabo tareas de formas cada vez más humanas.

Las inteligencias artificiales, dispositivos diseñados para actuar de manera inteligente, a menudo se clasifican en uno de dos grupos fundamentales: aplicados o generales. La IA aplicada es mucho más común: los sistemas diseñados para negociar inteligentemente acciones y participaciones, o maniobrar un vehículo autónomo entrarían en esta categoría.

La definición funcional de la inteligencia artificial ahora se ha convertido en quizás 50 definiciones diferentes … Los humanos son buenos en muchas tareas diferentes, pero las computadoras no.

Durante mucho tiempo, las compañías intentaron replicar su proceso de pensamiento al poner muchas reglas diferentes en la computadora, al programarlas … muchas reglas lógicas que iban una por una, y la computadora podía seguirlas, y finalmente pensamos Si tuviéramos suficientes de estas reglas, podríamos llegar a AI.

Resultó ser un terrible camino a seguir, ya que muchas de las tareas que ahora podemos resolver no se pueden resolver utilizando ese enfoque de escribir un montón de reglas. En cambio, escribimos un algoritmo que puede ver una gran cantidad de datos y aprender de ellos.

El aprendizaje automático … es esta idea de casar algoritmos y estadísticas, aprender de los datos. El aprendizaje profundo es un subconjunto del aprendizaje automático. Por lo tanto, creamos estos algoritmos que tienen montones y montones de números que no sabemos cómo configurar, y luego configuramos esos números mirando los datos. Esa es la tarea general de aprendizaje automático.

Es como si tuvieras este algoritmo, tienes este programa que tiene muchas, muchas, muchas perillas, y no sabemos en qué se deben establecer estas perillas, así que solo las configuramos usando datos, y llamamos a eso aprendizaje.

Esa es una técnica muy poderosa que nos ha llevado muy lejos, y el aprendizaje profundo es un subconjunto de ella. La innovación en el aprendizaje profundo … ha sido configurar estos mandos utilizando modelos cada vez más complicados.

Estoy buscando ese problema en el que si puedes resolver este problema, es casi seguro que puedes replicar a un humano. Y ese problema todavía está ahí afuera. No lo sabemos

Para realmente intentar progresar, necesitamos definir las tareas que son más cruciales para replicar nuestros pensamientos.

Por lo tanto, proporcione la motivación, proporcione algunas ideas de referencia, proporcione también la motivación monetaria, y eso estimulará mucha investigación. Ese es, creo, el futuro de la IA.

Los mejores cursos en línea de aprendizaje automático

• Machine Learning AZ ™: Python práctico y R en ciencia de datos
• Bootcamp de ciencia de datos y aprendizaje automático con R
• Aprendizaje automático para ciencia de datos
• principiante a avanzado: aprendizaje automático y redes neuronales
• Python for Data Science y Machine Learning Bootcamp

Los mejores cursos en línea de inteligencia artificial

• Inteligencia Artificial AZ ™: Aprenda a construir una IA
• Inteligencia artificial: aprendizaje automático con Python
• Inteligencia artificial: aprendizaje de refuerzo en Python
• IA avanzada: aprendizaje de refuerzo profundo en Python

TODO LO MEJOR……

En su mayoría, los términos inteligencia artificial y aprendizaje automático son muy familiares, pero la gran diferencia entre ambos términos puede explicarse aquí,

Si hablamos de inteligencia artificial, que implica el trabajo de la máquina con las características de la inteligencia humana e incluye planificación, aprendizaje, resolución de problemas y comprensión del lenguaje. La IA puede considerarse como el concepto amplio de máquinas que se considerarían inteligentes.

Mientras que los dispositivos de inteligencia artificial funcionan con inteligencia y se clasifican como los dos tipos son estrechos y generales. Las IA generalizadas pueden manejar cualquier tarea virtualmente. Son iguales a la IA aplicada. La innovación proviene exactamente de la IA generalizada. Pero la IA generalizada también es el lugar de nacimiento del aprendizaje automático.

AHORA, en el caso del Aprendizaje automático, puede considerarse como la aplicación de la IA en torno a la idea de que es capaz de dar acceso a las máquinas y les permite aprender por sí mismas. Las aplicaciones de Aprendizaje automático pueden leer el texto y determinar si la persona que lo escribió es haciendo una queja u ofreciendo felicitaciones. También pueden escuchar una pieza musical, decidir si es probable que haga feliz o triste a alguien, y encontrar otras piezas musicales que coincidan con el estado de ánimo. En algunos casos, incluso pueden componer su propia música expresando los mismos temas, o que saben que es probable que sean apreciados por los admiradores de la pieza original.

Para obtener más información: BEPEC | ¿Por qué ciencia de datos? Bangalore

Primero entienda la diferencia entre AI y ML.

El aprendizaje automático es un enfoque particular de la inteligencia artificial . Es cierto que me está demostrando el enfoque más exitoso para la IA. Pero no estoy de acuerdo con la respuesta de Monica Anderson: NO es el “único” enfoque.

Por ejemplo, te sorprendería saber que algunos de los autos autónomos que actualmente se describen a sí mismos como que usan IA, usan muy poco aprendizaje automático y utilizan principalmente sistemas basados ​​en reglas.

Lea el artículo completo Diferencia b / n inteligencia artificial y aprendizaje automático explicado en detalle, luego podrá decidir por su cuenta.

La Inteligencia Artificial se refiere a cualquier esfuerzo por enseñar a las computadoras a realizar tareas complejas con el objetivo final de comportarse como (o mejor que) un humano. Algunos ejemplos de IA son:

1. un chatbot que imita a un humano;
2. un automóvil totalmente autónomo (que probablemente funcionaría mejor que un humano);
3. esta computadora de ajedrez Deep Blue (computadora de ajedrez);
4. estos robots: Atlas, la próxima generación

Machine Learning es una técnica de IA para hacer predicciones a partir de datos. La computadora puede aprender sin tener que recibir instrucciones específicas paso a paso. ML generalmente gira en torno a responder bien una sola pregunta, por ejemplo, “¿Es esta persona un buen riesgo de crédito?” No esperamos que ML funcione como un ser humano; de hecho, generalmente esperamos que ML responda ciertas preguntas mejor que un humano. Pero no se equivoque, un algoritmo de ML no comprende lo que está haciendo, a pesar de que puede funcionar mejor que un humano para la tarea en cuestión (por ejemplo, lectura de labios … La inteligencia artificial puede leer los labios mejor que un profesional capacitado).

¿Alguna vez has oído hablar de “Medicina”? Tracemos un paralelo y entenderás completamente la diferencia.

La medicina es como la inteligencia artificial. Es un área amplia, es el nombre de una rama académica.

Como hay campos de inmunología, dermatología y anestesiología para la medicina, hay campos de aprendizaje automático, ciencia de datos y reconocimiento de voz para inteligencia artificial.

Espero que lo hayas entendido. Si tiene más dudas, hágamelo saber.

Maurício Costa.

La inteligencia artificial es el futuro. La inteligencia artificial es ciencia ficción. La inteligencia artificial ya es parte de nuestra vida cotidiana. Todas esas declaraciones son ciertas, solo depende de qué sabor de IA se refiera.

Por ejemplo, cuando el programa AlphaGo de Google DeepMind derrotó al maestro surcoreano Lee Se-dol en el juego de mesa Go a principios de este año, los términos AI, aprendizaje automático y aprendizaje profundo se usaron en los medios para describir cómo ganó DeepMind. Y los tres son parte de la razón por la cual AlphaGo derrotó a Lee Se-Dol. Pero no son lo mismo.

La forma más fácil de pensar en su relación es visualizarlos como círculos concéntricos con IA, la idea que surgió primero, la más grande, luego el aprendizaje automático, que floreció más tarde, y finalmente el aprendizaje profundo, que está impulsando la explosión de la IA de hoy en día. .

Recientemente me encontré con un gran artículo sobre el medio que discute AI y ML, así como sus sorprendentes avances tecnológicos y su futuro en los juegos:

“ El diseño de juegos basado en IA viene con diversidad y versatilidad de juegos. En lugar de codificar un número limitado de estados finitos y emociones, podemos generar un número infinito de estados con una rica paleta emocional. Del mismo modo que la animación de procedimientos construye dinámicamente espacios y entornos de juego, la IA puede enriquecer las relaciones y los comportamientos de los personajes. La diversidad alcanzada por la IA y los algoritmos genéticos no se puede lograr seleccionando manualmente los rasgos y características de los personajes. El automatismo de la evolución basada en IA es algo que puede producir una verdadera diversidad de especies virtuales. ”

El artículo: AI / ML y su futuro en los juegos.

Realmente no me gustan ambos términos, pero en función del uso general: el aprendizaje automático se refiere al diseño o estudio de algoritmos que reconfiguran sus propias configuraciones o parámetros para mejorar su rendimiento en las tareas. Por lo tanto, están “aprendiendo” u optimizándose para una tarea específica. La inteligencia artificial se refiere al diseño o la facilitación de la inteligencia, como lo ejemplifican los humanos. Esto incluye establecer objetivos, razonamiento, recopilar conocimientos, planificar, aprender de contraejemplos, etc.

No me gusta el término “aprendizaje automático” porque no está claro qué es “máquina”. Puede ser más preciso llamarlo algoritmo. Además, no hay nada “artificial” en la inteligencia.

La Inteligencia Artificial en la Industria Minorista es una tecnología que recopila datos y procesa mediante el uso de algoritmos y luego proporciona un modelo a través del cual pueden obtener información útil y valiosa que luego se puede utilizar para tomar decisiones relacionadas con el cliente y almacenarlas relacionadas, como decisiones operativas, logística, más productividad, etc. El principal impulsor de este mercado es que los minoristas pueden conocer los requisitos y necesidades del cliente cuando vinculan los datos con la productividad real. También se describe en la creación de estrategias relacionadas con el monitoreo, la productividad, una mejor relación con el cliente y muchos más.

Obtenga un folleto en PDF gratuito para obtener más inteligencia profesional y artificial en la industria minorista Perspectivas técnicas de la industria: http://bit.ly/2z6tT82

Hagámoslo simple.

¿Hay alguna diferencia entre Sports y Cricket?

¿Hay alguna diferencia entre cocinar y hacer un filete de pescado?

¿Hay alguna diferencia entre Fitness Training y correr?

¿Hay alguna diferencia entre enfermedad y cáncer?

¿Hay alguna diferencia entre idiotas y Trump?

¿Hay alguna diferencia entre la zona de amigos y tú eres mi mejor amigo?

Exactamente, AI es un término general bajo el cual se reduce el aprendizaje automático, el procesamiento del lenguaje natural, la visión por computadora, etc.

Bueno, la inteligencia artificial y el aprendizaje automático a menudo se usan indistintamente, especialmente en el ámbito de los grandes datos. Pero estos no son lo mismo, y es importante entender cómo se pueden aplicar de manera diferente.

Además, la inteligencia artificial es un concepto más amplio que el aprendizaje automático, que aborda el uso de computadoras para imitar las funciones cognitivas de los humanos. Cuando las máquinas realizan tareas basadas en algoritmos de una manera “inteligente”, eso es IA. El aprendizaje automático es un subconjunto de inteligencia artificial y se centra en la capacidad de las máquinas para recibir un conjunto de datos y aprender por sí mismos, cambiando los algoritmos a medida que aprenden más sobre la información que procesan.

El aprendizaje automático es un conjunto de técnicas que utilizamos para el aprendizaje supervisado / semisupervisado / no supervisado. La mayoría de sus problemas de la vida real son supervisados ​​en la naturaleza, por lo que el aprendizaje automático lo ayuda a usar un algoritmo preexistente o puede crear uno personalizado para ayudarlo a encontrar una relación entre dos eventos como los últimos datos de empleo y su tendencia a renunciar. pero todo esto está supervisado, ahora si opta por algunos modelos de aprendizaje automático en los que las capas de aprendizaje son complicadas, ocultas y muy grandes, el sistema comienza a resonar el mecanismo de aprendizaje humano, por eso lo llamamos AI.

En resumen, la IA es una forma avanzada de aprendizaje automático en la que ha creado un sistema que aprende por sí mismo mediante el aprendizaje por refuerzo, el aprendizaje por transferencia, etc.

Saludos

Mohan Rai

Comparta su número para agregarlo a Imurgence Career Counselling Whatsapp:

8433554145

O

haga clic para unirse

Consejería de imurgencia

Divulgación: Soy el cofundador de Imurgence – Un Instituto de Capacitación en Análisis y Director en Simple & Real Analytics – Una empresa de productos Big Data / Analytics / Machine Learning

A2A. Estoy seguro de que esto se ha preguntado y respondido antes, así que sugiero hacer algunas búsquedas para encontrar más perspectivas.

El aprendizaje automático (ML) comprende una amplia gama de algoritmos que se pueden enseñar sobre temas muy limitados, como la identificación de entidades con nombre (por ejemplo, Waldorf Hotel o tabla). La inteligencia artificial (IA) comprende una gama de modelos que ensamblan alguna combinación de implementaciones de ML en un marco que produce comportamientos más sofisticados, como reconocer y describir imágenes.