La ciencia neuronal se trata de modelar el cerebro y los mecanismos cerebrales en biología. Cuando modela el cerebro, a menudo le importa obtener un modelo realista, independientemente de si obtiene algoritmos o principios estadísticos generales que puedan funcionar en otros datos.
El aprendizaje automático se trata de construir algoritmos y modelos estadísticos realmente buenos que puedan funcionar en todo tipo de datos en general. El aprendizaje automático generalmente no le importa si dicho “aprendizaje” está inspirado biológicamente o es realista. El objetivo es obtener sistemas que puedan “aprender” de los datos en general y construir buenos clasificadores / regresores / etc. Un neurocientífico computacional puede no considerar los ANN como un modelo lo suficientemente realista del cerebro como para justificar su uso para resolver un problema de modelado. Sin embargo, una persona de Aprendizaje automático lo haría ya que los ANN pueden construir modelos no lineales altamente intrincados y de múltiples capas que pueden tener un buen rendimiento estadístico en los datos.
El aprendizaje automático tiene mucho en común con la minería de datos. Creo que es justo decir que Machine Learning abarca gran parte de la minería de datos. Sin embargo, el aprendizaje automático tiende a centrarse en métodos particulares en la minería de datos, como los métodos ANN, SVM, bayesianos y no paramétricos. La razón es que estos métodos pueden ser difíciles de computar para trabajar y el aprendizaje automático se deriva de la informática que estudia cómo abordar los problemas intratables (tanto como sea posible).
- ¿Se puede automatizar el análisis de datos?
- ¿Alguna vez hay una buena razón para cambiar los datos sin procesar al realizar análisis estadísticos o modelos?
- ¿Cuál es la diferencia entre análisis de datos, ingeniería de datos y científicos de datos?
- ¿Cuál es la diferencia entre ETL y Data Warehouse / Data Warehousing?
- ¿Qué libro es mejor para principiantes para comenzar a aprender ciencia de datos, Python para Data Science for Dummies o Data Science from Scratch?
La minería de datos se trata de dar sentido a los datos científicamente. Data Mining utiliza el aprendizaje automático y otros métodos para dar sentido a los datos. Sin embargo, a menudo los mineros de datos solo usan las funciones de Machine Learning como una caja negra. La gente de Aprendizaje Automático a menudo sabe codificar desde cero algoritmos estadísticos y computacionalmente exigentes, mientras que los Mineros de Datos son solo usuarios de dicha tecnología para resolver problemas del mundo real. La contribución es más a menudo el uso de métodos estadísticos para hacer algo interesante en la aplicación del mundo real, como aplicar a la medicina personalizada, finanzas / comercio, etc.
He pasado los últimos 8 años tratando de moverme entre estas distinciones, y muchos científicos e ingenieros de IA pasan tiempo en cada uno de estos campos (aunque debe tener en cuenta las diferencias filosóficas entre los campos si desea que se publiquen en cada uno de ellos). )