El aprendizaje automático y el análisis predictivo tradicional intentan resolver el mismo problema. Sin embargo, existen diferencias sutiles en la forma en que se resuelve el problema utilizando cada técnica:
- Machine Learning, como su nombre lo indica, requiere iteraciones por parte de la máquina para encontrar patrones en los datos. Todo el trabajo pesado es realizado por la máquina. El modelado tradicional implica estimar coeficientes, y son guiados por el modelador que realiza el análisis.
- En el modelo predictivo tradicional, el objetivo es encontrar una función de variables independientes, minimizando los errores (diferencia entre el valor observado y el valor estimado). En el aprendizaje automático, el objetivo es encontrar observaciones de variables independientes donde el valor observado (y) sea significativamente diferente.
- El aprendizaje automático está capacitado en casi todos los conjuntos de datos. El modelado tradicional se realiza en una muestra representativa del conjunto de datos.
- El modelado predictivo, al ser estadístico, viene con un conjunto de supuestos, que pueden o no ser ciertos O el modelador debe realizar algún tratamiento para satisfacer los supuestos. El aprendizaje automático tiene muy pocas suposiciones, que se satisfacen fácilmente en problemas del mundo real.
- El aprendizaje automático se ha desarrollado como un subcampo de la informática (que es un subcampo de las matemáticas). El modelado tradicional se ha desarrollado como un subcampo de las matemáticas.
Sin embargo, veremos que las diferencias entre estos dos se desdibujarán y ambos campos aprenderán unos de otros y se fusionarán con el tiempo.
- ¿Qué es el servicio de datos sensibles a la latencia y el procesamiento por lotes orientado al rendimiento?
- ¿Pregunta SQL sobre hacer referencia a la misma tabla?
- ¿Qué debo aprender primero sobre IA, aprendizaje automático o procesamiento del lenguaje natural?
- ¿Cuál es la mejor herramienta de prueba de software?
- ¿Es el final de mis sueños?
