AI (inteligencia artificial) es el término general para todo lo relacionado con hacer que las computadoras hagan el tipo de cosas que tradicionalmente hacen los humanos. Esto puede incluir comprender el inglés, predecir los precios de las acciones, diagnosticar el cáncer de piel, jugar videojuegos y mucho más. El aprendizaje automático se refiere al software que desarrolla una forma de resolver un problema mediante el análisis de datos de capacitación. Esto generalmente se usa para tareas relacionadas con IA. El aprendizaje profundo es un enfoque específico para el aprendizaje automático que utiliza un modelo llamado “redes neuronales” para representar soluciones potenciales y un algoritmo de optimización especializado llamado “propagación inversa” para perfeccionar el mejor. Muchos de los mayores logros de IA del siglo se lograron mediante el aprendizaje profundo, como el “AlphaGo” de Google, que venció al campeón mundial en marcha, algo que antes se consideraba imposible para las computadoras.
¿Cuál es la diferencia entre IA, aprendizaje automático y aprendizaje profundo?
Related Content
¿Tiene sentido usar la selección de características antes de Random Forest?
¿Son las redes aditivas recurrentes universalmente mejores que las LSTM y GRU?
¿Qué es la regularización neta elástica en el aprendizaje automático?
Todos son (sub) campos que no son realmente disjuntos. Permítanme resumir esta explicación dibujando un diagrama simple de Venn:
La IA es un campo muy amplio de ciencias de la computación que abarca el aprendizaje automático, el procesamiento del lenguaje natural, el procesamiento de imágenes, la robótica, los sistemas expertos, el razonamiento basado en restricciones y mucho más.
El aprendizaje automático es el subcampo de la informática que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente.
El aprendizaje profundo (también conocido como aprendizaje estructurado profundo o aprendizaje jerárquico) es la aplicación de redes neuronales artificiales (ANN) a tareas de aprendizaje que contienen más de una capa oculta. El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático basados en representaciones de datos de aprendizaje, a diferencia de los algoritmos específicos de tareas. El aprendizaje puede ser supervisado, parcialmente supervisado o sin supervisión.
La inteligencia artificial es ciencia ficción . La inteligencia artificial ya es parte de nuestra vida cotidiana. Todas esas declaraciones son ciertas, solo depende de qué sabor de IA se refiera.
La forma más fácil de pensar en su relación es visualizarlos como círculos concéntricos con IA, la idea que surgió primero, la más grande, luego el aprendizaje automático, que floreció más tarde, y finalmente el aprendizaje profundo, que está impulsando la explosión de la IA de hoy en día. .
El aprendizaje automático vino directamente de las mentes de los primeros grupos de IA, y los enfoques algorítmicos a lo largo de los años incluyeron el aprendizaje del árbol de decisiones, la programación de lógica inductiva. agrupación, aprendizaje por refuerzo y redes bayesianas, entre otros. Como sabemos, ninguno logró el objetivo final de la IA general, e incluso la IA estrecha estuvo fuera del alcance con los primeros enfoques de aprendizaje automático.
Deep Learning ha permitido muchas aplicaciones prácticas de Machine Learning y, por extensión, el campo general de la IA. El Aprendizaje profundo desglosa las tareas de manera que hace posible, incluso probable, todo tipo de asistencia mecánica. Los autos sin conductor, una mejor atención médica preventiva, incluso mejores recomendaciones de películas, están aquí hoy o en el horizonte. La IA es el presente y el futuro. Con la ayuda de Deep Learning, la IA puede incluso llegar a ese estado de ciencia ficción que tanto tiempo hemos imaginado. Tienes un C-3PO, lo tomaré. Puedes quedarte con tu Terminator.
Lee mas…
El aprendizaje automático es un subconjunto de IA y el aprendizaje profundo es un subconjunto de ML. La IA implica mucho más que el aprendizaje automático, como ontologías, representación del conocimiento, algoritmos genéticos, razonamiento, planificación, búsqueda y mucho más.
El aprendizaje profundo es un subconjunto de algoritmos de ML que son capaces de aprender las características de forma no supervisada. Antes del aprendizaje profundo, tenía que diseñar las características a mano y luego construir un modelo usando clasificadores tradicionales como SVM, etc. Sin embargo, las redes neuronales aprenden buenas características por sí mismas. Vale la pena ver estos dos videos del Dr. Andrew Ng.
AI significa pasar la prueba de Turing, hay muchas indicaciones de que solo es posible para una computadora cuántica.
El aprendizaje automático supervisado se aproxima al futuro en función de muchos datos del pasado. El aprendizaje automático no supervisado es encontrar patrones en los datos y clasificarlos en función de estos patrones.
Deep Learning es aprendizaje automático utilizando redes neuronales, y en particular redes neuronales avanzadas que están conectadas entre sí. Ahora se está convirtiendo en una palabra de moda indefinida.
Creo que este artículo sobre Desmitificación de palabras de moda de inteligencia artificial le puede interesar. Ofrece una breve explicación de cada uno de los términos que está preguntando.
Espero que esto ayude 🙂
Un diagrama de Venn pondría la capa más externa como AI
siguiente capa como ML
capa más interna como DL
More Interesting
¿Puede explicar la optimización convexa sin matrices de arpillera y solo la segunda derivada?
¿Cómo manejo la recompensa retrasada en el aprendizaje por refuerzo?
¿Cuáles son las soluciones de producción efectivas para el reconocimiento de entidades nombradas?
¿Cómo seleccionaría los datos para capacitar y probar los modelos?
¿Cuáles son algunas de las ventajas del aprendizaje por diferencia temporal y cómo se puede mejorar?
¿El aprendizaje automático es un comienzo de invasión de estadísticas?
Cómo construir una aplicación web con capacidades de aprendizaje automático
