¿Es posible que una computadora aprenda a distinguir gatos de perros de solo un conjunto de imágenes sin que le digamos qué imágenes son gatos y cuáles son perros, o incluso si hay cosas como gatos y perros, y si es así, cómo es exactamente esto? ¿hecho?

Esta es una respuesta bastante buena a la complejidad de la pregunta:

Si y no. Podemos entrenar una computadora para identificar ciertas características en la imagen como una sola, y es uno de los objetivos clave de la IA InceptionV3. Sin embargo, una vez que comience a crear ejemplos adversos, se muestra la fragilidad de su reconocimiento.

Cómo se hace es una buena pregunta. Existen numerosos caminos y exige un ingeniero de software con experiencia en reconocimiento de imágenes y redes neuronales. Aún así, si desea darle un giro, le recomiendo el tutorial de TensorFlow.

Sí, es posible mediante el aprendizaje no supervisado.

En el aprendizaje no supervisado, un sistema de inteligencia artificial puede agrupar información no ordenada de acuerdo con similitudes y diferencias, aunque no se proporcionan categorías. Los sistemas de IA capaces de aprender sin supervisión a menudo se asocian con modelos de aprendizaje generativo, aunque también pueden usar un enfoque basado en la recuperación (que a menudo se asocia con el aprendizaje supervisado). Los chat-bots, los autos sin conductor, los programas de reconocimiento facial, los sistemas expertos y los robots se encuentran entre los sistemas que pueden utilizar enfoques de aprendizaje supervisados ​​o no supervisados.

En el aprendizaje no supervisado, se presenta un sistema de IA con datos categorizados y sin etiquetar, y los algoritmos del sistema actúan sobre los datos sin capacitación previa. La salida depende de los algoritmos codificados. Someter un sistema a un aprendizaje no supervisado es una forma de probar la IA.

Los algoritmos de aprendizaje no supervisados ​​pueden realizar tareas de procesamiento más complejas que los sistemas de aprendizaje supervisados. Sin embargo, el aprendizaje no supervisado puede ser más impredecible que el modelo alternativo. Si bien un sistema de IA de aprendizaje no supervisado podría, por ejemplo, descubrir por sí mismo cómo separar a los gatos de los perros, también podría agregar categorías imprevistas e indeseadas para tratar razas inusuales, creando desorden en lugar de orden.

Sí, es posible. Se llama aprendizaje no supervisado. Al extraer características específicas de las imágenes y luego ejecutar un algoritmo como la agrupación de K-means, la computadora puede distinguir entre diferentes objetos sin supervisión humana.

Pueden describir la diferencia entre dos fotos pero sin material de referencia, como nombres. La computadora puede darles nombres de indios americanos con sus características prominentes