Primero, hay una diferencia jerárquica. El aprendizaje automático se puede definir como un conjunto de técnicas y algoritmos que tienen como objetivo aprender un modelo a partir de datos pasados (del mundo real o simulados) . Contiene técnicas desde la teoría de la probabilidad hasta las redes neuronales.
Las redes neuronales son, citando, Michael Nielsen, un hermoso paradigma de programación inspirado biológicamente que permite que una computadora aprenda de los datos de observación.
La definición de Deep Learning es bastante borrosa, para mí hay dos ideas clave:
- ¿Qué tan bien funciona el sistema ai-one?
- ¿Cuándo será la IA realidad?
- ¿En qué áreas los métodos del núcleo siguen siendo competitivos con el aprendizaje profundo?
- ¿Qué tiene de malo las opiniones de Ray Kurzweil y Elon Musk sobre la IA?
- Si una red neuronal artificial tiene 100 mil millones de nodos, ¿podría ser tan inteligente como un ser humano?
- Deep Learning utiliza múltiples capas, cada una aplicando / aprendiendo su propia transformación.
- Deep Learning aprende múltiples niveles de representación de los datos.
El primero significa que diseñará diferentes partes (capas) de su red neuronal para aprender cosas diferentes. Esta es una diferencia con las redes neuronales de vainilla que solo apilan la misma capa.
Esto hace posible el segundo punto, y esta es la razón por la cual el aprendizaje profundo es genial. Logramos aprender diferentes niveles de representación de datos gracias a múltiples capas especializadas de alguna manera.
Nivel de representación? ¿No te gusta el término? Bueno, en otras palabras, si tiene una imagen como entrada, puede imaginar que desea reconocer:
- … formas básicas …
- … artículos …
- … colores …
Si tienes un mensaje de texto, no quieres aprender
- … sintaxis …
- … semántico …
- … gramática …
- .. etc …