¿Cuál es la diferencia entre inteligencia artificial, aprendizaje automático y aprendizaje profundo? ¿El aprendizaje profundo es parte del aprendizaje automático?

Puedes pensar en la inteligencia artificial (IA), el aprendizaje automático y el aprendizaje profundo como un conjunto de una muñeca matryoshka, también conocida como una muñeca rusa de anidación. El aprendizaje profundo es un subconjunto del aprendizaje automático , que es un subconjunto de IA.

La inteligencia artificial es cualquier programa de computadora que hace algo inteligente. Puede ser una pila de un modelo estadístico complejo o declaraciones if-then. La IA puede referirse a cualquier cosa, desde un programa de computadora que juega ajedrez, a un sistema de reconocimiento de voz como Alexa. Sin embargo, la tecnología puede clasificarse ampliamente en tres grupos: IA estrecha, inteligencia general artificial (AGI) e IA superinteligente.

Deep Blue de IBM, que venció al gran maestro de ajedrez Garry Kasparov en el juego en 1996, o AlphaGo de Google DeepMind, que venció a Lee Sedol en Go en 2016, son ejemplos de inteligencia artificial reducida – IA que es experta en una tarea específica. Esto es diferente de AGI: AGI es la inteligencia de una máquina que podría realizar con éxito una variedad de tareas de tareas intelectuales que un ser humano puede. Por otro lado, la inteligencia artificial superinteligente lleva las cosas un paso más allá. Como lo describe Nick Bostrom, este es “un intelecto que es mucho más inteligente que los mejores cerebros humanos en prácticamente todos los campos, incluida la creatividad científica, la sabiduría general y las habilidades sociales”. En otras palabras, es cuando las máquinas nos han superado.

El aprendizaje automático es un subconjunto de IA. La teoría es simple, las máquinas toman datos y “aprenden” por sí mismos. Actualmente es la herramienta más prometedora en el grupo de IA para empresas. Los sistemas de aprendizaje automático pueden aplicar rápidamente el conocimiento y la capacitación de grandes conjuntos de datos para sobresalir en reconocimiento facial, reconocimiento de voz, reconocimiento de objetos, traducción y muchas otras tareas. El aprendizaje automático permite que un sistema aprenda a reconocer patrones por sí mismo y a hacer predicciones, al contrario de la codificación manual de un programa de software con instrucciones específicas para completar una tarea.

Si bien Deep Blue y DeepMind son ambos tipos de IA, Deep Blue se basó en reglas y dependía de la programación, por lo que no era una forma de aprendizaje automático. DeepMind, por otro lado, vence al campeón mundial en Go entrenándose en un gran conjunto de datos de movimientos expertos.

Es decir, todo el aprendizaje automático cuenta como IA, pero no toda la IA cuenta como aprendizaje automático.

El aprendizaje profundo es un subconjunto del aprendizaje automático. Las redes neuronales artificiales profundas son un conjunto de algoritmos que alcanzan nuevos niveles de precisión para muchos problemas importantes, como reconocimiento de imagen, reconocimiento de sonido, sistemas de recomendación, etc.

Utiliza algunas técnicas de aprendizaje automático para resolver problemas del mundo real aprovechando las redes neuronales que simulan la toma de decisiones humanas. El aprendizaje profundo puede ser costoso y requiere grandes conjuntos de datos para capacitarse. Esto se debe a que hay un gran número de parámetros que deben ser entendidos por un algoritmo de aprendizaje, que principalmente puede generar muchos falsos positivos. Por ejemplo, un algoritmo de aprendizaje profundo podría ser entrenado para ‘aprender’ cómo se ve un perro. Se necesitaría un enorme conjunto de imágenes para comprender los pequeños detalles que distinguen a un perro de un lobo o un zorro.

El aprendizaje profundo es parte del notorio algoritmo AlphaGo de DeepMind, que venció al ex campeón mundial Lee Sedol en 4 de 5 juegos de Go usando el aprendizaje profundo a principios de 2016. Google dijo: “la forma en que funcionaba el sistema de aprendizaje profundo era combinando Monte-Carlo búsqueda de árboles con redes neuronales profundas que han sido entrenadas por aprendizaje supervisado, de juegos de expertos humanos y por aprendizaje de refuerzo de juegos de auto-juego “.

Aunque AI y Machine Learning se usan indistintamente, puedes pensar en el primero como un sustantivo y el segundo como un verbo. Uno puede crear una inteligencia artificial a través del aprendizaje automático. Los asistentes modernos como Siri, Cortana, etc., pueden ser vistos como agentes de IA, que aprenden de ti usándolos todos los días. Todas las conversaciones que tiene con estos asistentes todos los días se almacenan en el back-end, y se entrenan regularmente utilizando los principios del aprendizaje automático (regresión, SVM, modelado de secuencias, etc.).

Machine Learning hace hincapié en los datos, la limpieza, la comprensión, el preprocesamiento y la normalización para ayudar a los modelos estadísticos a aprender lo más posible. Se aplican conceptos como el aprendizaje supervisado (datos etiquetados), el aprendizaje no supervisado (sin datos etiquetados), el aprendizaje reforzado (aprendizaje basado en recompensas y el entorno) dependiendo del tipo de datos recopilados del usuario (texto, imágenes, videos, discurso ) La forma en que las máquinas aprenden es a través de los errores que cometen al tratar de comprender estos datos. Se asigna un costo a cada predicción / movimiento incorrecto que el programa (máquina) realiza en un ejemplo. El objetivo del programa es minimizar este error tanto como sea posible en los datos de entrenamiento y prueba.

Deep Learning es un subconjunto de Machine Learning específicamente diseñado para datos no lineales. Lo que quiero decir con esto es que, en algunos casos, los puntos de datos no se pueden dividir simplemente en dos grupos, es decir, correcto o incorrecto (clasificación), tampoco se puede ajustar una línea simple a través de estos puntos para predecir el futuro (regresión). Si puede imaginar más de 3 dimensiones, puede suponer que los datos no lineales se distribuyen en cientos de tales dimensiones. Lo que hacen los modelos de aprendizaje profundo, como las redes neuronales, es aproximar una función cuya curva puede ajustarse a estos puntos de datos. Lo que los hace profundizar es el hecho de que uno puede apilar múltiples capas de unidades no lineales (perceptrones) para construir una red que pueda aprender relaciones complicadas en sus datos.

Por ejemplo, si usa un modelo de aprendizaje profundo conocido como Red neuronal recurrente para comprender el texto, las capas inferiores del RNN entienden algo muy simple como las alineaciones de caracteres. Las capas superiores toman esta información e intentan comprender palabras, frases, etc., a medida que la información pasa a través de las capas.

Inteligencia artificial: cualquier programa de computadora (algoritmo *) que imite las características ‘inteligentes’ de nuestro cerebro. Esto es básicamente una toma de decisiones basada en datos. (Para ser más precisos, encuentre patrones en los datos y tome decisiones basadas en ellos).

Aprendizaje automático: programas (algoritmos) que trabajan en datos para decirle de qué se trata. Por ejemplo, cualquier dato se almacena dentro de una computadora como bits en forma de 0 y 1. Los algoritmos de aprendizaje automático se ejecutan en estos datos para que podamos entender lo que estos datos significan para nosotros.

Por ejemplo, suponga que guarda una imagen. La computadora no tiene forma de saber lo que contiene. Pero si escribe un programa para decir encontrar cosas como “Esta imagen contiene dos personas” o “esta es la fotografía de Taj Mahal”, entonces está haciendo aprendizaje automático. Usted efectivamente le enseñó a la computadora a entender lo que significa esa imagen.

Es un subconjunto de la inteligencia artificial.

Aprendizaje profundo: es solo una forma de hacer aprendizaje automático. Hay cientos de formas de resolver un problema de aprendizaje automático, como averiguar qué contiene una imagen. El aprendizaje profundo es solo una forma de resolver este problema.

* El algoritmo es un procedimiento que una computadora sigue para resolver un problema.

Hay un estado anormal de confusión en torno a esos términos. Esta publicación debería ayudar a comprender las distinciones y conexiones de esos campos. Comencemos con la siguiente imagen. Explica los tres términos inteligencia artificial, aprendizaje automático y aprendizaje profundo:

El enfoque más simple y directo para pensar acerca de su relación es imaginarlos como círculos concéntricos con – la probabilidad de que las cosas comiencen, es decir, AI, el círculo más grande , – en ese punto, el aprendizaje automático que floreció más tarde , – por último, el aprendizaje profundo que está impulsando la relación Explosión de IA presente – encajando dentro de ambos.

Inteligencia Artificial VS Aprendizaje Automático Vs. Aprendizaje Profundo?

Mire estos 3 videos a continuación para que quede claro.

Para abreviar:

Inteligencia artificial – ” Inteligencia humana exhibida por máquinas ”

Aprendizaje automático: ” un enfoque para lograr la inteligencia artificial ”

Aprendizaje profundo: “Una técnica para implementar el aprendizaje automático”

En largo:

Inteligencia Artificial

La Inteligencia Artificial, o simplemente IA, es el término general expansivo que retrata los sistemas informáticos que intentan hacerse pasar por una visión similar a la humana. John McCarthy, quien instituyó el término en 1956, lo caracteriza como ” la ciencia y la construcción de la fabricación de máquinas inteligentes “.

Hoy, las áreas de innovación de IA son fundamentalmente robótica, aprendizaje automático, visión artificial y procesamiento del lenguaje natural . Sin embargo, la ventaja clave de la IA en los negocios es el análisis predictivo. Usando algoritmos de IA, las organizaciones pueden desarrollarse exponencialmente para aumentar la ventaja notable sobre sus compañeros. Las máquinas de IA en general se han quedado en el cine y en los libros de ciencia ficción a la luz de las circunstancias actuales; no podemos lograrlo, por lo menos todavía no.

Industrias populares de inteligencia artificial hoy en día : automóviles autónomos, atención médica / sanitaria y mucho más.

Para saber más sobre IA haga clic aquí

Aprendizaje automático

El subcampo de AI llamado Machine Learning (ML) usa algoritmos para encontrar patrones en los datos, y luego usa un modelo que reconoce esos patrones para hacer predicciones sobre nuevos datos. Se concentra en desarrollar algoritmos que permitan que los sistemas informáticos aprendan automáticamente, sin ser programados expresamente.

Para finalizar esta tarea, se ha desarrollado una amplia variedad de algoritmos como Regresión lineal, Regresión logística, Máquinas de vectores de soporte (SVM), K-medias, árboles de decisión, bosques aleatorios, naive bayes, PCA y, por último, redes neuronales artificiales (ANN ) Vea también 15 algoritmos que todo ingeniero de aprendizaje automático debe saber .

En general, el aprendizaje automático puede dividirse en dos tipos : supervisado, no supervisado y entre esos dos. Los algoritmos de aprendizaje supervisados ​​utilizan datos etiquetados, los algoritmos de aprendizaje no supervisados ​​encuentran patrones en datos no etiquetados.

El aprendizaje semi-supervisado utiliza una mezcla de datos etiquetados y no etiquetados. El aprendizaje por refuerzo entrena algoritmos para maximizar las recompensas basadas en la retroalimentación.

Industrias populares de ML hoy : más frecuente en las empresas en línea donde consumía cosas en línea, redes sociales, mercados de valores y banca de inversión.

Para saber más sobre ML haga clic aquí

Aprendizaje profundo:

Sin embargo, hoy, la nueva regla de moda del mercado es Deep Learning (DL), y este procedimiento fue concebido a partir de ANN . ¿Es una locura prevaleciente, así como está eliminando gradualmente cualquier otro método de ML?

Deep Learning utiliza redes neuronales de varias capas y aprende al procesar mucha información.
A pesar de que el pensamiento central se exhibió en los años 60, es solo hoy con la accesibilidad de la información y las intensas Unidades de Procesamiento Gráfico ( GPU ) que demostró fructíferamente.

Las unidades de procesamiento gráfico (GPU) han acelerado los servidores de varios núcleos para el procesamiento en paralelo. Una GPU tiene una arquitectura masivamente paralela que consta de miles de núcleos más pequeños y más eficientes diseñados para manejar múltiples tareas simultáneamente.

Existen diferentes variaciones de los algoritmos de aprendizaje profundo como:

a.) Redes neuronales profundas para algoritmos tradicionales mejorados

b.) Redes neuronales convolucionales para imágenes

c.) Redes neuronales recurrentes para datos secuenciados

Los logros actuales de DL fueron en el campo de la visión artificial, la traducción automática, el reconocimiento de voz, el juego automatizado, los vehículos autónomos y mucho más.

Industrias populares de ML hoy en día : comercio minorista, comercio electrónico y ahora en transporte y medicina.

Para saber más sobre DL haga clic aquí

Diferentes áreas de investigación y métodos para AI ML y DL:

Inteligencia Artificial

Aprendizaje automático,
comprensión del lenguaje natural,
síntesis del lenguaje,
visión por computador,
robótica, análisis de sensores,
optimización y simulación,
Teoría de juegos algorítmicos y elección social computacional
y mucho más.

Aprendizaje automático:

Aprendizaje profundo,
soporte de máquinas de vectores,
árboles de decisión,
Bayes aprendiendo,
k-significa agrupamiento,
aprendizaje de reglas de asociación,
regresión y mucho más.

Aprendizaje profundo:

Redes neuronales artificiales,
redes neuronales convolucionales,
redes neuronales recursivas,
larga memoria a corto plazo,
redes de creencias profundas, y mucho más.

Conclusión

Básicamente, se están bifurcando de un árbol similar de inteligencia informática donde la alta supercomputación, el acceso en / a la web y, por lo tanto, la accesibilidad de una gran información de video, audio y contenido, harán más cosas concebibles más adelante.

Objetivo de la IA : dar a una máquina la capacidad de pensar, razonar, aprender, etc.

Objetivo de ML : dar a una máquina la capacidad de aprender cosas.

Objetivo de DL : dar a las máquinas la capacidad de aprender mediante diversos enfoques rápidamente.

Los modelos y algoritmos actuales están esencialmente empapados y son solo una nueva tecnología o una avalancha de nuevos datos, sí, sus datos de voz y visión que sumergirán en sus autos autónomos, sus Alexa / HomePods y otros harán más cosas posibles.

Una búsqueda rápida en Google sobre la pregunta reveló excelentes artículos de NVIDIA, deeplearning4j y otros. Como revela la imagen, Deep Learning es un subconjunto de Machine Learning que a su vez es un subconjunto de IA.

La distinción básica entre lo que viene en el subconjunto de Machine Learning del superconjunto de IA es si la técnica particular tiene una función objetivo. p.ej. minimizar el término de error ([matemáticas] \ frac {1} {N} \ sum_ {i = 1} ^ {N} (y_ {i} – W_ {i}. x_ {i}) ^ 2 [/ matemáticas]) para regresión lineal y = mx

Redes Neuronales Artificiales (ANN) es un subconjunto de Machine Learning, que utiliza la combinación lineal de pesos seguida de la función de activación no lineal.

Ahora Deep Learning es una colección de herramientas que incorpora ANN, donde tiene una gran cantidad de capas y nodos ocultos. La teoría en sí misma no es nueva (los RNN han estado allí desde el siglo XX), pero la implementación y los éxitos recientes (de CNN en descifrar imágenes, RNN en traducción de idiomas) han llevado a un muy buen término de marketing: aprendizaje profundo.

La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo son algo diferentes entre sí. Vea la imagen a continuación que le mostrará cómo se relacionan estas tres cosas.

Según el blog de NVIDIA, la IA es una ficción. La Inteligencia Artificial es un campo que implica el logro de la inteligencia humana o capacidades de toma de decisiones utilizando máquinas y lenguajes de programación.

El aprendizaje automático es una forma de lograr la inteligencia artificial en las máquinas. No implica una programación explícita, sino una técnica a través de la cual la computadora aprende a través de un conjunto de instrucciones y toma decisiones. Implica varios algoritmos, modelos de regresión, técnicas de visión por computadora para máquinas de entrenamiento.

Deep Learning es una técnica de implementación de ‘Machine Learning’ que puede ser a través de ANN (Redes neuronales artificiales), CNN (Redes neuronales convolucionales). Esta técnica está inspirada en nuestro cerebro, que implica la interconexión de las neuronas, pero a diferencia de la biología de nuestro cerebro, estas neuronas artificiales tienen una red de capas discretas.

La IA es un concepto muy amplio que no se puede entender o explicar fácilmente. De todos modos, espero que hayas recibido tu respuesta.

Gracias.

fuente de la imagen: el blog oficial de NVIDIA

La Inteligencia Artificial (IA) es el más antiguo de los tres términos. Machine Learning (ML) llegó más tarde. Deep Learning (DL) es el término más reciente.

Todo lo relacionado con ML es parte de la IA, pero no al revés. Todo lo relacionado con DL es parte de ML, pero no al revés.

La IA se trata de sistemas artificiales que imitan la inteligencia natural en algún sentido. ML es una técnica utilizada para construir sistemas basados ​​en IA. DL es una técnica de ML.

Las técnicas de ML utilizan los datos de entrada y salida de un sistema para aprender a imitar ese sistema en algún sentido.

Las redes neuronales (NN) son una técnica de ML. Son estructuras en capas. Su primera capa es donde se aplican las entradas. La capa final es donde las salidas calculadas están disponibles. Las capas que residen entre las capas de entrada y salida se denominan capas ocultas (neuronas), ya que no están conectadas directamente con el mundo exterior.

Las NN que tienen una capa oculta única o ninguna se denominan NN superficiales. Las NN que tienen dos o más capas ocultas se denominan NN profundas. DL se relaciona con las técnicas utilizadas para entrenar Deep NNs.

NOTA: AI y ML a veces se usan indistintamente, ¡y no hay nada evidentemente malo en eso! Deberíamos tratar de deducir la implicación prevista del contexto.

Para abreviar:

Inteligencia artificial – ” Inteligencia humana exhibida por máquinas ”

Aprendizaje automático: ” un enfoque para lograr la inteligencia artificial ”

Aprendizaje profundo: “ Una técnica para implementar el aprendizaje automático”

Objetivo de la IA : dar a una máquina la capacidad de pensar, razonar, aprender, etc.

Objetivo de ML : dar a una máquina la capacidad de aprender cosas.

Objetivo de DL : dar a las máquinas la capacidad de aprender mediante diversos enfoques rápidamente.

Para más detalles aquí.

El aprendizaje profundo es una parte del aprendizaje automático (hay muchos otros enfoques para el aprendizaje automático, como la máquina de vectores de soporte o el aprendizaje del árbol de decisiones).

Y el aprendizaje automático es parte de la inteligencia artificial. La inteligencia artificial es un dominio muy grande e incluye muchas cosas que no son de aprendizaje.