¿Cuáles son las diferencias entre los árboles de decisión, los métodos de agrupamiento y las redes neuronales?

Con el ejemplo de la vida real, suponga que va a comprar algunas naranjas, en la tienda todo se guarda en una caja, primero hará un análisis que es jugoso, dulce y más fresco según el color, el tamaño diferente y la suavidad de las naranjas, esto se llama clasificación, después de la clasificación, seleccionó algunas naranjas y luego, de repente, el encargado de la tienda dijo que llegó una nueva caja disponible y mantuvo la caja unida, ahora hará un análisis de la nueva caja, pero no necesita pensar tan inicialmente como tenía experiencia con la caja anterior, esto es lo que hace la red neuronal y después de recoger algunas naranjas de la nueva caja, piensa en cómo filtrar las naranjas recogidas de ambas cajas porque su necesidad es de 1 kg o cierta cantidad, pero filtrar del total recogido no es tan fácil porque ambos pueden parecer las mismas propiedades, al hacer una clasificación fina y una decisión lo ayuda a elegir finalmente las naranjas finales

Gracias y saludos

Krishna

krishnakumarsekar / awesome-quantum-machine-learning

krishnakumarsekar / awesome-machine-learning-deep-learning-matemáticas

Los otros 2 ya fueron explicados. La diferencia con las ANN es que una ANN aprende por sí misma qué “categorías” usar. Por lo tanto, no tiene que pensar mucho para preparar las “categorías”. El ANN se da cuenta de sí mismo mientras está aprendiendo.

De hecho, los ANN son tan complicados que casi no se puede entender qué hacen exactamente internamente. Este es el principal inconveniente de ANN. Los humanos parecemos tener una red neuronal que observa e interpreta lo que está haciendo nuestra red de decisiones. Percibimos eso como pensar / considerar y podemos explicar a los demás lo que estamos pensando. Esto es algo que todavía está en desarrollo temprano en ANNs. Un ANN puede ganar de un Go humano que juega, pero aún no podemos pedirle que explique por qué decidió ejecutar ciertos movimientos.

Otra ventaja es que los ANN no eligen “categorías”, sino que asignan probabilidades estadísticas. Entonces, una parte de la ANN podría, por ejemplo, creer que una imagen muestra a un gato con un 92% de probabilidad, en función de ciertas características de un gato que encuentra. Si el gato está parcialmente oculto y algunas características no son visibles, inicialmente podría creer ver un conejo, pero en base a otras características que ve, por ejemplo, aún podría concluir que se trata de un gato con un 63% de probabilidad y un conejo con 56 % probabilidad.

Con la categorización es mucho más difícil de hacer, porque una vez que estás en la categoría de conejo, es difícil revisar eso.

Sin embargo, no todo es bueno en el mundo de ANN: los ANN son actualmente tan buenos como los datos de capacitación disponibles. Tienes que alimentarlo con muchísimos ejemplos de gatos, para que aprenda cómo se ven los gatos y reconozca una nueva imagen de un gato que nunca antes había visto. Esto es un poco estúpido, porque obtienes un sistema que puede hacer algo que ya puedes hacer, porque de lo contrario no podrías haber proporcionado los datos de entrenamiento. Dicho esto, en la IA estrecha, los ANN ya están funcionando mejor que los humanos. Juegan mejor al ajedrez, son mejores leyendo los labios o reconociendo los números escritos.

Pero en lo que las empresas están trabajando es en IA que puede aprender de muchos menos ejemplos. Si muestra a dicho sistema una imagen de 1 gato, es probable que descubra que la segunda imagen también es un gato.

Una vez que se haya alcanzado ese nivel de IA y también encontremos formas para que la IA entienda la semántica del lenguaje y la semántica de sus visiones del mundo, entonces es probable que ya no necesite estudiar mucho, porque pronto no habrá nada que Un humano puede hacerlo mejor que una máquina. = 😉