¿Cuál es la diferencia entre el aprendizaje automático, el aprendizaje profundo y la IA?

A menudo, estos términos se usan indistintamente, lo que dificulta la comprensión del verdadero significado. Explicaré aquí con un escenario de la vida real.

Escenario:

Digamos que usted está en 2199 AD y su madre le dijo que fuera al mercado a buscar un kilogramo de mango Alphonso. Ahora estás demasiado cansado después de jugar un partido FIFA99 y no quieres ir a ningún lado. Entonces le dijiste a tu robot que hiciera el trabajo por ti y te entregara los mangos. Entonces tienes que entrenar a tu robot.

Aprendizaje automático :

Machine Learning es un conjunto de algoritmos de aprendizaje que se utiliza en el mundo actual como formas avanzadas de construir una máquina inteligente. Este conjunto de algoritmos se usan con frecuencia porque requieren menos datos y son fácilmente comprensibles que el aprendizaje profundo.

Ahora que llega al escenario, su robot ha llegado a una tienda de frutas que tiene manzana, mango y naranja. Ahora diferenciar entre mango de naranja, manzana, etc., es el aprendizaje automático. Para esto, puede entrenar a su robot con el tamaño (peso) y el color (0 para naranja, 1 para rojo y 2 para amarillo), y su robot puede buscar mangos para usted.

Aprendizaje profundo:

El aprendizaje profundo es un subtipo de aprendizaje, pero aquí llevamos el aprendizaje a un paso más profundo. Por lo tanto, necesitará más datos y más atributos que el aprendizaje automático.

En este escenario, detectar el mango Alphonso de otras variedades de mango (que se ve casi igual en tamaño y color) es Deep Learning. Tu mamá dijo que trajeras a Alphonso y no puedes traer ningún mango para completar tu trabajo.

AI:

AI en su verdadero sentido significa imitar la inteligencia humana. Y aprender es uno de los pasos de la inteligencia. Lo que hay que hacer con los conocimientos adquiridos del aprendizaje es la IA.

Ahora, después de que su robot recogió un kilogramo de Alphonso, debería ser capaz de darse cuenta de que ha completado el trabajo y que necesita regresar a casa sin dañar los mangos. Después de llegar a casa, debe entregárselo a usted, no a su madre, para que pueda obtener una evaluación y un buen batido de mango de su madre.

Entonces, en una imagen, puede dibujar estos tres dominios de la siguiente manera:

El aprendizaje automático en su forma más básica es la práctica de usar algoritmos para analizar datos, aprender de ellos y luego hacer una determinación o predicción sobre algo en el mundo. Entonces, en lugar de codificar manualmente las rutinas de software con un conjunto específico de instrucciones para realizar una tarea en particular, la máquina está “capacitada” utilizando grandes cantidades de datos y algoritmos que le permiten aprender a realizar la tarea.

Las redes neuronales artificiales (ANN) son uno de los métodos más populares para entrenar la computadora. Es un modelo computacional basado en la estructura y funciones biológicas. Redes neuronales. ANNs consta de tres partes:

1. La capa de entrada.
2. La capa oculta.
3. La capa de salida.

La información que fluye a través de la red afecta la capa oculta del ANN porque una red neuronal cambia, o aprende, en cierto sentido, en función de esa entrada y salida.

El aprendizaje profundo es un subconjunto del aprendizaje automático. Profundo es un término técnico. Se refiere al número de capas en una red neuronal. Una red poco profunda tiene una capa oculta , y una red profunda tiene más de una. En los últimos años, la IA ha explotado, y especialmente desde 2015. Mucho de eso tiene que ver con la amplia disponibilidad de GPU que hacen que el procesamiento paralelo sea cada vez más rápido, más barato y más potente, lo que hace que el aprendizaje profundo sea práctico. También tiene que ver con el doble golpe simultáneo de almacenamiento prácticamente infinito y una avalancha de datos de todo tipo (todo ese movimiento de Big Data): imágenes, texto, transacciones, datos de mapeo, etc.

La inteligencia artificial es la ciencia y la ingeniería de hacer máquinas inteligentes, especialmente programas informáticos inteligentes. La IA ha sido parte de nuestra imaginación y ha estado a fuego lento en los laboratorios de investigación desde que un puñado de informáticos se reunieron alrededor del término en las Conferencias de Dartmouth en 1956 y dieron a luz al campo de la IA.

aprendizaje automático:

El aprendizaje automático es un campo de la informática que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente. El aprendizaje automático es una subárea central de la inteligencia artificial, ya que permite a las computadoras entrar en un modo de autoaprendizaje sin ser programado explícitamente. Cuando se exponen a nuevos datos, los programas de computadora están habilitados para aprender, crecer, cambiar y desarrollarse por sí mismos. Puede aprender ML mediante cursos en línea

Sugeriría algunos de los mejores cursos en línea a continuación:

Los mejores cursos en línea de aprendizaje automático:

Machine Learning AZ ™: Python práctico y R en ciencia de datos

Aquí puedes aprender

Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos profundamente en Machine Learning. Está estructurado de la siguiente manera:

· Parte 1 – Preprocesamiento de datos

· Parte 2 – Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria

· Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque

· Parte 4 – Agrupación: K-medias, agrupación jerárquica

· Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat

· Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson

· Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL

· Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales

· Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA

· Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

Y como beneficio adicional, este curso incluye plantillas de código Python y R que puede descargar y usar en sus propios proyectos.

CURSOS ADICIONALES:

· Python for Data Science y Machine Learning Bootcamp

· Bootcamp de ciencia de datos y aprendizaje automático con R

También puede referirse a través de libros:

Los libros recomendados para el aprendizaje automático son (solo con fines de referencia)

· Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes por Aurélien Géron

· Aprendizaje automático para principiantes absolutos: una introducción en inglés sencillo por Oliver Theobald

aprendizaje profundo:

Deep Learning es una nueva área de investigación de Machine Learning, que se ha introducido con el objetivo de acercar el Machine Learning a uno de sus objetivos originales. Si recién está comenzando en el campo del aprendizaje profundo o si tenía alguna experiencia con redes neuronales hace algún tiempo, puede estar confundido. Casi todo el valor actual del aprendizaje profundo está disponible a través del aprendizaje supervisado o el aprendizaje de cursos en línea. Los cursos en línea pueden ser la mejor opción para quien desea estudiar y conocer el aprendizaje profundo

MEJORES CURSOS EN LÍNEA DE APRENDIZAJE PROFUNDO:

Deep Learning AZ ™: redes neuronales artificiales prácticas

Aquí puedes aprender

· Comprender la intuición detrás de las redes neuronales artificiales

· Aplicar redes neuronales artificiales en la práctica

· Comprender la intuición detrás de las redes neuronales de convolución

· Aplicar redes neuronales de convolución en la práctica

· Comprender la intuición detrás de las redes neuronales recurrentes

· Aplicar redes neuronales recurrentes en la práctica

· Comprender la intuición detrás de los mapas autoorganizados

· Aplicar mapas autoorganizados en la práctica

· Comprender la intuición detrás de las máquinas Boltzmann

· Aplicar máquinas de Boltzmann en la práctica

· Comprender la intuición detrás de los codificadores automáticos

· Aplicar codificadores automáticos en la práctica

RECURSOS ADICIONALES:

· Ciencia de datos: aprendizaje profundo en Python

· Bootcamp de ciencia de datos y aprendizaje automático con R

También puede obtener ayuda de los libros de texto:

Algunos libros recomendados para el aprendizaje profundo: (solo con fines de referencia)

· Aprendizaje profundo: el enfoque de un practicante por Josh Patterson y Adam Gibson

· Fundamentos del aprendizaje profundo: diseño de algoritmos de inteligencia artificial de próxima generación por Nikhil Buduma y Nicholas Locascio

AI:

La IA es un área de la informática que se ocupa de dar a las máquinas la capacidad de parecer que tienen inteligencia humana. : el poder de una máquina para copiar el comportamiento humano inteligente.

puedes aprender IA a través de algunos cursos en línea:

cursos en línea para IA:

• Inteligencia Artificial AZ ™: Aprenda a construir una IA
• Inteligencia artificial: aprendizaje automático con Python

elige el primer plato …

de esto puedes aprender sobre:

• Cómo comenzar a construir IA sin experiencia previa en codificación usando Python
• Cómo fusionar AI con OpenAI Gym para aprender de la manera más efectiva posible
• Cómo optimizar tu IA para alcanzar su máximo potencial en el mundo real

Esto es lo que obtendrá con este curso:

1. Completa habilidades de inteligencia artificial para principiantes y expertos: aprenda a codificar inteligencia artificial que mejora por sí misma para una variedad de propósitos. De hecho, codificamos junto con usted. Cada tutorial comienza con una página en blanco y escribimos el código desde cero. De esta manera, puede seguir y comprender exactamente cómo se une el código y qué significa cada línea.

2. Plantillas de código: además, obtendrá plantillas de código de Python descargables para cada IA ​​que cree en el curso. Esto hace que construir una IA verdaderamente única sea tan simple como cambiar algunas líneas de código. Si liberas tu imaginación, el potencial es ilimitado.

3. Tutoriales de intuición: donde la mayoría de los cursos simplemente te bombardean con una teoría densa y te ponen en camino, creemos en desarrollar una comprensión profunda no solo de lo que estás haciendo, sino por qué lo estás haciendo. Es por eso que no te lanzamos matemáticas complejas, sino que te enfocas en desarrollar tu intuición en la codificación de la IA para obtener resultados infinitamente mejores en el futuro.

4. Soluciones del mundo real: lograrás tu objetivo no solo en 1 juego, sino también en 3. Cada módulo se compone de diferentes estructuras y dificultades, lo que significa que serás lo suficientemente hábil para construir una IA adaptable a cualquier entorno en la vida real, en lugar de simplemente pasar una memoria glorificada “prueba y olvida” como la mayoría de los otros cursos. La práctica realmente hace la perfección.

5. Soporte en curso: estamos totalmente comprometidos a hacer de este el curso de IA más accesible y orientado a resultados del planeta. Esto requiere que estemos allí cuando necesite nuestra ayuda. Es por eso que hemos reunido un equipo de científicos de datos profesionales para apoyarlo en su viaje, lo que significa que recibirá una respuesta de nosotros dentro de un máximo de 48 horas.

cursos en línea adicionales:

• Inteligencia artificial: aprendizaje de refuerzo en Python
• IA avanzada: aprendizaje de refuerzo profundo en Python

libros de texto sugeridos para AI: (solo con fines de referencia)

• Inteligencia artificial: lo que todos deben saber por Jerry Kaplan
• Inteligencia artificial: un enfoque moderno (3a edición) por Stuart Russell, Peter Norvig

TODO LO MEJOR….

Puedes pensar en el aprendizaje profundo, el aprendizaje automático y la inteligencia artificial como un conjunto de muñecas rusas anidadas entre sí, comenzando con las más pequeñas y funcionando. El aprendizaje profundo es un subconjunto del aprendizaje automático, que es un subconjunto de IA.

AI es cualquier programa de computadora que hace algo inteligente, en términos generales.

Puede ser una pila de declaraciones si-entonces o un modelo estadístico complejo. Por lo general, cuando un programa de computadora diseñado por investigadores de IA realmente tiene éxito en algo, como ganar en el ajedrez, muchas personas dicen que “no es realmente inteligente”, porque los componentes internos del algoritmo se entienden bien. Entonces, se podría decir que la verdadera IA es lo que las computadoras aún no pueden hacer. 😉

El aprendizaje automático, como han dicho otros aquí, es un subconjunto de IA. Es decir, todo el aprendizaje automático cuenta como IA, pero no toda la IA cuenta como aprendizaje automático. Por ejemplo, la lógica simbólica (motores de reglas, sistemas expertos y gráficos de conocimiento), así como los algoritmos evolutivos y las estadísticas baysianas, podrían describirse como IA, y ninguno de ellos es aprendizaje automático.

La parte de “aprendizaje” del aprendizaje automático significa que los algoritmos de ML intentan optimizar a lo largo de una determinada dimensión; es decir, generalmente intentan minimizar el error o maximizar la probabilidad de que sus predicciones sean verdaderas. Esto tiene tres nombres: una función de error, una función de pérdida o una función objetivo, porque el algoritmo tiene un objetivo … Cuando alguien dice que está trabajando con un algoritmo de aprendizaje automático, puede obtener la esencia de su valor preguntando: ¿Cuál es la función objetivo?

¿Cómo se minimiza el error? Bueno, una forma es construir un marco que multiplique las entradas para hacer conjeturas sobre la naturaleza de las entradas. Diferentes salidas / conjeturas son el producto de las entradas y el algoritmo. Por lo general, las conjeturas iniciales son bastante erróneas, y si tiene la suerte de tener etiquetas de verdad básica relacionadas con la entrada, puede medir qué tan erróneas son sus conjeturas comparándolas con la verdad y luego usar ese error para modificar su algoritmo . Eso es lo que hacen las redes neuronales. Siguen midiendo el error y modificando sus parámetros hasta que no puedan lograr menos errores.

Son, en resumen, un algoritmo de optimización. Si los ajusta correctamente, minimizan su error al adivinar y adivinar y adivinar nuevamente.

El aprendizaje profundo es un subconjunto del aprendizaje automático. Las redes neuronales artificiales profundas son un conjunto de algoritmos que establecen nuevos récords en precisión para muchos problemas importantes, como el reconocimiento de imágenes, reconocimiento de sonido, sistemas de recomendación, etc. El aprendizaje profundo es parte del notorio algoritmo AlphaGo de DeepMind, que venció al ex campeón mundial Lee Sedol en Go a principios de 2016. Una explicación más completa de los trabajos neuronales está aquí.

Profundo es un término técnico. Se refiere al número de capas en una red neuronal. Una red poco profunda tiene una llamada capa oculta , y una red profunda tiene más de una. Múltiples capas ocultas permiten que las redes neuronales profundas aprendan características de los datos en una jerarquía, porque las características simples (por ejemplo, dos píxeles) se recombinan de una capa a la siguiente, para formar características más complejas (por ejemplo, una línea).

Los mejores cursos online de ML & DL y AI:

Puedo sugerirle los cursos en línea de aprendizaje automático:

· Machine Learning AZ ™: Python práctico y R en ciencia de datos

Y aquí está el mejor y más utilizado curso en línea:

De esto puedes saber sobre:

Este curso es divertido y emocionante, pero al mismo tiempo se sumerge profundamente en Machine Learning. Está estructurado de la siguiente manera:

· Parte 1 – Preprocesamiento de datos

· Parte 2 – Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria

· Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque

· Parte 4 – Agrupación: K-medias, agrupación jerárquica

· Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat

· Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson

· Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL

· Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales

· Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA

· Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

Y como beneficio adicional, este curso incluye plantillas de código Python y R que puede descargar y usar en sus propios proyectos.

Algunos cursos más en línea de aprendizaje automático:

· Bootcamp de ciencia de datos y aprendizaje automático con R

· Aprendizaje automático para Data Scien

Libros de texto sugeridos para el aprendizaje automático: (solo con fines de referencia)

· Python Machine Learning: Machine Learning y Deep Learning con Python, scikit-learn y TensorFlow, segunda edición de Sebastian Raschka y Vahid Mirjalili

· Aprendizaje automático: algoritmos fundamentales para el aprendizaje supervisado y no supervisado con aplicaciones del mundo real por Joshua Chapmann

Los mejores cursos en línea de aprendizaje profundo: –

Deep Learning AZ ™: redes neuronales artificiales prácticas

Aquí puedes aprender

· Comprender la intuición detrás de las redes neuronales artificiales

· Aplicar redes neuronales artificiales en la práctica

· Comprender la intuición detrás de las redes neuronales de convolución

· Aplicar redes neuronales de convolución en la práctica

· Comprender la intuición detrás de las redes neuronales recurrentes

· Aplicar redes neuronales recurrentes en la práctica

· Comprender la intuición detrás de los mapas autoorganizados

· Aplicar mapas autoorganizados en la práctica

· Comprender la intuición detrás de las máquinas Boltzmann

· Aplicar máquinas de Boltzmann en la práctica

· Comprender la intuición detrás de los codificadores automáticos

· Aplicar codificadores automáticos en la práctica

También puede recibir ayuda de Deep Learning Text Books.

Los mejores libros de texto de Deep Learning [use solo con fines de referencia]: –

· Aprendizaje profundo (serie de computación adaptativa y aprendizaje automático) por Ian Goodfellow y Yoshua Bengio y Aaron Courville

· Aprendizaje profundo: el enfoque de un practicante por Josh Patterson y Adam Gibson

Los mejores cursos en línea de inteligencia artificial: –

· Inteligencia artificial: aprendizaje automático con Python

De esto puedes aprender sobre:

En este curso, trabajará con varios ejemplos de algoritmos avanzados y se centrará un poco más en algunas opciones de visualización. Le mostraremos cómo usar el bosque aleatorio para predecir qué tipo de seguro tiene un paciente en función de su tratamiento y obtendrá una descripción general de cómo usar el bosque aleatorio / árbol de decisión y examinar el modelo.

Y luego, lo guiaremos a través del siguiente ejemplo sobre reconocimiento de letras, donde entrenará un programa para reconocer letras usando una máquina de vectores de soporte, examinará los resultados y trazará una matriz de confusión.

Con la ayuda de varios proyectos incluidos, le resultará interesante adquirir la mecánica de varios algoritmos importantes de aprendizaje automático: ya no son tan oscuros como pensaban. Creará sistemas que clasifican documentos, reconocen imágenes, detectan anuncios y más.

Aprenderá a usar la API de scikit-learn para extraer características de variables categóricas, texto e imágenes; evalúe el rendimiento del modelo y desarrolle una intuición sobre cómo mejorar el rendimiento de su modelo.

· Extraer características de variables categóricas, texto e imágenes.

· Resolver problemas del mundo real utilizando técnicas de aprendizaje automático.

· Explotar el poder de Python para manejar técnicas de extracción, manipulación y exploración de datos.

· Implemente algoritmos de clasificación y regresión de aprendizaje automático desde cero en Python

· Sumérgete en el mundo de la analítica para predecir situaciones correctamente

· Predecir los valores de las variables continuas.

· Clasifique documentos e imágenes usando regresión logística y máquinas de vectores de soporte

· Crear conjuntos de estimadores usando técnicas de embolsado y refuerzo

· Evaluar el rendimiento de los sistemas de aprendizaje automático en tareas comunes.

Algunos cursos adicionales más:

· Inteligencia artificial: aprendizaje de refuerzo en Python

· IA avanzada: aprendizaje de refuerzo profundo en Python

Libros de texto sugeridos:

· Inteligencia artificial: un enfoque moderno por Stuart Russell

· Inteligencia artificial: lo que todos deben saber por Jerry Kaplan

También puede tomar los libros de texto anteriores como referencia para AI

TODO LO MEJOR………….

Una gran confusión de las grandes compañías de Internet: sistemas ML confusos con sistemas AI

La inteligencia artificial se divide como “IA estrecha”, diseñada para realizar tareas específicas dentro de un dominio, y “IA general”, que puede aprender y realizar tareas en cualquier lugar.

El aprendizaje automático (ML) como el desarrollo de nuevos algoritmos y modelos basados ​​en estadísticas en informática se conoce como “IA estrecha”.

ML es descubrir empíricamente modelos / algoritmos / conocimiento / ideas / reglas a través del aprendizaje de relaciones históricas y tendencias en los datos, específicamente, Big Data.

Como tal, ML implica estadísticas computacionales, computación estadística y optimización matemática, mientras que la IA se basa en muchas ciencias y tecnologías: informática, matemáticas, psicología, lingüística, filosofía, neurociencia, ciencias físicas, ingeniería, etc.

La IA se trata de crear sistemas inteligentes [que pueden conocer, aprender, razonar, planificar, percibir, procesar lenguaje natural, actuar], involucrando inteligencia artificial, conciencia artificial y comunidades inteligentes.

ML es solo ingeniería de características automatizada, aprendizaje de características o aprendizaje de representación de datos, para descubrir automáticamente las representaciones necesarias para la detección o clasificación de características a partir de datos sin procesar, o datos del mundo real como imágenes, video y datos de sensores.

Los sistemas de ML modernos y cruciales no son IA reales por muchas buenas razones:

diseñado para realizar tareas específicas dentro de un dominio (por ejemplo, traducción de idiomas);

decisiones no preprogramadas por humanos;

decisiones como propiedades emergentes de los algoritmos de aprendizaje y el conjunto de datos sesgados en los que están capacitados;

múltiples capas ocultas en una red neuronal artificial;

realizar aprendizaje supervisado, aprendizaje de refuerzo o aprendizaje no supervisado;

la falta de teoría unificadora en torno a un número incontable de algoritmos y métodos de aprendizaje automático;

falta de componente de descubrimiento;

que requiere una entrada matemática y computacionalmente conveniente;

falta de transparencia e interpretabilidad en la toma de decisiones;

cuestiones de seguridad y protección;

consideraciones con respecto a la rendición de cuentas;

problemas de calidad de datos y sesgo potencial.

Los sistemas de ML pueden ser entrenados con datos sesgados, inexactos, incompletos o engañosos.

En consecuencia, el aprendizaje automático confiable y efectivo es difícil porque encontrar patrones es difícil principalmente debido a la falta de datos de capacitación disponibles; por lo tanto, los programas de aprendizaje automático a menudo no se pueden cumplir.

Muchos avances recientes en ML no se han debido a innovaciones radicales en los algoritmos de aprendizaje, sino a los avances en la potencia de la computadora y la enorme cantidad de datos habilitados por Internet. Esto se capitaliza rápidamente por las grandes empresas de Internet, como Google, Facebook, Amazon, etc., que se presentan como las primeras empresas de inteligencia artificial.

Como resultado, dada la complejidad de los ANN contemporáneos, tenemos problemas para discernir cómo los ML producen decisiones, traduciendo el proceso a un lenguaje humano, como comprensión de la lógica, los motivos y las razones de AlphaGo.

Como señaló el psicólogo investigador Gary Marcus en su artículo: “¿Es el” aprendizaje profundo “una revolución en la inteligencia artificial?”

“Siendo realistas, el aprendizaje profundo es solo una parte del desafío más grande de construir máquinas inteligentes. Estas técnicas carecen de formas de representar las relaciones causales (…) no tienen formas obvias de realizar inferencias lógicas, y todavía están muy lejos de integrar el conocimiento abstracto, tales como información sobre qué son los objetos, para qué sirven y cómo se usan normalmente.

Los sistemas de IA más potentes, como Watson (…) usan técnicas como el aprendizaje profundo como solo un elemento en un conjunto de técnicas muy complicado, que van desde la técnica estadística de inferencia bayesiana hasta el razonamiento deductivo “.

Dada la desconfianza tecnológica hacia los sistemas de ML, la aplicación de ML para los sistemas letales de armas autónomas (LAWS) genera grandes preocupaciones especiales.

En resumen, ML tiene poco que ver con AI real o AI general, con una lógica clara, alta seguridad, transparencia y responsabilidad, fundamental para desarrollar un Internet AI en el que las personas confíen.

Entonces, cada vez que vea AI, léalo como ML, incluidas las Grandes Empresas de Internet, así como “Inteligencia Artificial y Aprendizaje Automático: Documento de Política” de The Internet Society.

Inteligencia artificial y aprendizaje automático: documento de política | Sociedad de internet

mundo inteligente

I-World: AI X.0: Inteligencia futura: Искусственный Суперинтеллект: G…

Gracias por A2A.

Solo voy a responder con sencillez para aclararlo.

La IA es una combinación de aprendizaje basado en datos y aprendizaje de lógica

ML es aprendizaje basado en datos

DL es un aprendizaje basado en datos con una red neuronal como idea inicial.

Entonces ML es un subconjunto de AI, DL es más ancho que ML.

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.

Este artículo sobre Desmitificación de palabras de moda de inteligencia artificial puede resultarle interesante. Ofrece explicaciones breves para cada uno de los términos sobre los que está preguntando, en términos simples.

Espero que esto ayude 🙂

La IA es un campo maestro aquí que implica simular el funcionamiento del cerebro humano. Tiene el aprendizaje automático como su rama secundaria junto con el procesamiento del lenguaje natural y muchos otros campos, pero el aprendizaje automático es la rama secundaria más prominente. El aprendizaje automático es el proceso de automatización de las tareas de los sistemas informáticos sin mucha intervención humana. El aprendizaje profundo es esa sub rama del aprendizaje automático donde el sistema de inteligencia artificial funciona como un cerebro humano solamente. Aquí el sistema aprende completamente por sí solo sin intervención humana. Intellipaat ofrece capacitación sobre tensorflow, que es un modelo de IA desarrollado por Google. Uno puede pasar por el contenido del curso de la capacitación proporcionada a través del siguiente enlace:

https://intellipaat.com/ai-deep- …

El aprendizaje automático es un subconjunto de inteligencia artificial, y el aprendizaje profundo es más o menos una extensión paralela de algunas técnicas de aprendizaje automático (redes neuronales).

Muy buena explicación: