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………….