¿Cuál es la diferencia entre el aprendizaje automático y las redes neuronales?

Bueno, no hay una diferencia específica entre estos dos, ya que NN es el subconjunto del aprendizaje automático que se logra utilizando algunos procedimientos algorítmicos que se obtienen al estudiar la red neuronal (NN).
El aprendizaje automático es el procedimiento mediante el cual el conocimiento se adquiere a través de la experiencia o podemos decir que el aprendizaje automático es el campo que se concentra en los algoritmos de inducción y en otros algoritmos que se puede decir que “aprenden”.
La red neuronal consiste en un grupo de unidades de procesamiento simples que se comunican enviándose señales entre sí a través de una gran cantidad de conexiones ponderadas. El sistema es inherentemente paralelo en el sentido de que muchas unidades pueden realizar sus cálculos al mismo tiempo.

El aprendizaje automático de campo estudia tanto NN (ANN) como otros métodos de optimización. Entonces, ANN es un subconjunto de métodos de Machine Learning que se puede dividir formalmente en no determinista (no se conoce ningún modelo matemático: el NN es solo una ‘caja negra’, la distribución de pesos es ‘mágica’) altamente paralela (el trabajo de las neuronas depende solo de su entorno inmediato) y los deterministas. Entonces, ANN son más bien máquinas MIMD (Instrucciones múltiples, Datos múltiples) que métodos matemáticos / estadísticos.

Métodos de optimización que no son Redes neuronales: Regresión lineal, SVM, Algoritmo genético, Algoritmos de evolución en general, programación dinámica y todos los demás métodos de optimización algorítmica (determinista).

Las redes neuronales, como un subconjunto de métodos de aprendizaje automático, tanto supervisados ​​como no supervisados, son clasificadores no deterministas (cuando no conocemos el modelo matemático exacto del “cerebro”, por ejemplo: por qué los pesos se distribuyen de esta manera o de esa distribución). , o por qué NN de 5 capas funciona mejor que las de 4 o 6 capas en un caso particular, etc.) para resolver problemas de optimización. Quiero decir aquí la ausencia del modelo matemático exacto (como en los modelos lineales) para el clasificador, o la falta de función en forma analítica, no la heurística y el descenso de gradiente como método. Ejemplos: Retroalimentación de propagación hacia adelante ANN, máquinas Boltzmann, Hopfield Network, Kohonen Networks, otros SOM / SOFM (mapas autoorganizados). GA y EA son de alguna manera similares a NN (solo tenemos el objetivo, la función de condición física, pero por qué los parámetros son tales y tal, no lo sabemos: simplemente funcionan y son heurísticos para cada caso en particular, como en el juego de ajedrez u otro juegos no sabemos los pesos) aunque no pertenecen a NN.

Comencemos con la definición muy trivial del aprendizaje automático: es una rama de la inteligencia artificial, y más específicamente de la informática, que se ocupa del estudio de sistemas y algoritmos que pueden aprender de los datos, sintetizando nuevos conocimientos de ellos.

Para ser más claro, la palabra “aprender” sugiere intuitivamente que un sistema basado en el aprendizaje automático puede, sobre la base de la observación de datos procesados ​​previamente, mejorar su conocimiento para lograr mejores resultados en el futuro o proporcionar resultados más cercanos a la salida deseada para ese sistema en particular.

dado que, al definir el aprendizaje automático, utilicé una palabra “sistema” específicamente para guiarlo hacia la definición de red neuronal artificial o redes neuronales preciosas. Una red neuronal es un “sistema” de procesamiento de información cuyo mecanismo operativo está inspirado en los circuitos neuronales biológicos. La red neuronal posee muchas unidades de procesamiento simples conectadas entre sí, de acuerdo con varias arquitecturas.

No hay diferencia como tal, puede decir que las redes neuronales forman la subclase de Machine Learning. Además, los conceptos provienen de redes neuronales que implementa mediante algoritmos de aprendizaje automático.

Si recién está comenzando, lea esta guía Todo lo que debe saber sobre la red neuronal artificial y el aprendizaje profundo. Explica en detalle cómo NN y el aprendizaje profundo están relacionados con el aprendizaje automático.

Las redes neuronales son un enfoque para el aprendizaje automático, pero hay muchos otros, por ejemplo, modelos gráficos (bayesianos).

El aprendizaje automático tiene dos significados (al igual que la inteligencia artificial). El primero es la rama de la informática que se ocupa del diseño de sistemas que pueden aprender sin instrucciones explícitas. Como, “Ella está estudiando el aprendizaje automático”. El segundo significado es el acto de una máquina de inclinarse sin instrucción explícita. Como, “AlphaZero usó el aprendizaje automático para enseñarse ajedrez”. Las redes neuronales son objetos construidos usando código de computadora. Las redes neuronales son capaces de aprendizaje automático; pueden aprender sin instrucciones explícitas sobre cómo hacerlo.

Volviendo a mi declaración inicial de que el término Inteligencia Artificial tiene dos significados, puede significar la rama de la informática que trata de hacer que las máquinas imiten la inteligencia humana o puede significar la capacidad de una máquina para imitar la inteligencia humana.

Si Machine Learning es una ciudad, la red neuronal sería una de las rutas de autobuses en ella. Por supuesto, todavía hay otras rutas de autobuses.
La idea es que algunos algoritmos (en el aprendizaje automático) se implementan utilizando la estructura de diseño NN.
Y uno no está tomando o depende completamente de otro.

Neural Networks es un enfoque que utiliza el modelado de una red basada en el modelo de neuronas en humanos / organismos vivos para llevar a cabo el aprendizaje y otras tareas computacionales. Básicamente es un enfoque utilizado en el aprendizaje automático.

El aprendizaje automático es diseñar una máquina que pueda aprender de los datos.

Hay muchas formas de hacerlo, y las redes neuronales son solo una de las formas.

El aprendizaje automático es un concepto abstracto. Las redes neuronales son una manifestación. Puede haber varias manifestaciones de este tipo (por ejemplo: SVM, bosques aleatorios, etc.)