¿Cuál es la diferencia entre ‘Aprendizaje profundo’, ‘Aprendizaje automático’ e ‘Inteligencia artificial’? ¿Está el “aprendizaje profundo” relacionado con la “ciencia de datos”?

Machine Learning, como su nombre significa, permite a las máquinas aprender con grandes volúmenes de datos que un algoritmo puede procesar para hacer predicciones. Esencialmente, el aprendizaje automático elimina la necesidad de codificar o analizar datos continuamente para resolver una solución o presentar una lógica.

En otras palabras, esta forma de IA permite que la computadora aprenda y se enseñe a sí misma a evolucionar a medida que recibe nuevos datos. Y dado que el aprendizaje automático implementa un enfoque iterativo para obtener datos, este proceso de aprendizaje es automático y los modelos se ejecutan hasta que se encuentra un patrón sólido. El software de ML consta de dos elementos principales: el análisis estadístico y el análisis predictivo que se utiliza para detectar patrones y descubrir información oculta de los cálculos anteriores sin ser programado.

El término aprendizaje automático fue acuñado por Arthur Samuel en 1959, esto fue cuando el interés en la IA comenzaba a florecer. Tomando prestados los conceptos centrales de IA, Machine Learning ganó prominencia en la década de 1990 cuando Deep Blue de IBM venció al campeón mundial de ajedrez.

¿Qué es “profundo” sobre el aprendizaje profundo?

Aprendizaje profundo, como lo especifica el término “profundo”, está inspirado en el cerebro humano y consiste en redes neuronales artificiales (ANN) que se modelan en una arquitectura similar presente en el cerebro humano. En Deep Learning, el aprendizaje se realiza a través de una “red” profunda y de varias capas de “neuronas” interconectadas. El término “profundo” generalmente se refiere al número de capas ocultas en la red neuronal. Según un blog de Mathwork, las redes neuronales tradicionales solo contienen 2-3 capas ocultas, mientras que las redes profundas pueden tener hasta 150. En 2006, Geoffrey Hinton acuñó el término “aprendizaje profundo” para explicar nuevos algoritmos que permiten a las computadoras distinguir objetos y texto en imágenes y videos.

¿Hinton introdujo realmente el término aprendizaje profundo?

Aunque las redes de aprendizaje profundo habían existido desde la década de 1960 y también se inventó la propagación hacia atrás, esta técnica fue abandonada en gran medida por la comunidad de aprendizaje automático e ignorada por las comunidades de visión por computadora y reconocimiento de voz, compartió Hinton en un diario. Se pensó ampliamente que el aprendizaje de extractores de funciones útiles, de varias etapas con poco conocimiento previo no era factible.

La terminología Deep Learning se adoptó ampliamente solo en el milenio y ahora ha llegado a las salas de juntas. A pesar de que las redes de alimentación de múltiples capas han existido para siempre, el antiguo trabajo de investigación despegó con la nueva palabra de moda de marketing, Deep Learning. De acuerdo con este gráfico de Google, las redes neuronales existían en la década de 1960, pero la tecnología despegó después de 2005, cuando el término fue introducido por el libro de Aizenberg & Aizenberg & Vandewalle Neuronas binarias universales y multvaloradas: teoría, aprendizaje y aplicaciones en 2000. Este gráfico de Google que muestra cómo se disparó la popularidad del aprendizaje profundo después de la publicación del libro.

La extracción de características distingue a ML de DL

A lo largo de los años, el aprendizaje automático ha evolucionado en su capacidad para procesar grandes volúmenes de datos y se usa ampliamente en la tecnología de aplicaciones cotidianas. ML potencia muchos aspectos de nuestra interacción diaria: desde el filtrado de spam hasta el filtrado de contenido en redes sociales, recomendaciones en sitios de comercio electrónico, y está cada vez más presente en productos de consumo como cámaras y teléfonos inteligentes, el reconocimiento de voz (como en Siri, la voz de Apple asistente) y reconocimiento de escritura (reconocimiento óptico de caracteres).

Sin embargo, una de las principales diferencias entre DL y ML, especificada por el CEO de Deep Instinct, Guy Caspi, un destacado matemático y científico de datos, es la intervención manual en la selección de las características a procesar, en donde el aprendizaje profundo, los algoritmos realizan esto intuitivamente. La extracción de características es un componente importante del flujo de trabajo de aprendizaje automático, lo que significa que el desarrollador tendrá que proporcionar solo información relevante al algoritmo para que pueda determinar la solución correcta y mejorar la efectividad del algoritmo.

De hecho, muchos programadores señalan que la extracción de características es un proceso minucioso y depende mucho de lo perspicaz que sea el desarrollador. Por lo tanto, para problemas complejos como el reconocimiento de objetos o el reconocimiento de escritura a mano, la extracción de características en ML tradicional se convierte en un gran desafío. Por otro lado, en Deep Learning, los datos sin procesar se pueden alimentar a través de redes neuronales y extraer características de alto nivel de los datos sin procesar.

Caspi describió tres características cruciales que diferencian a Machine Learning del Deep Learning:

• Si bien la alimentación de datos sin procesar en el aprendizaje automático no funciona, las redes neuronales profundas no requieren ingeniería manual de características. En cambio, aprende por sí solo al procesar y aprender las características de alto nivel a partir de datos sin procesar
• Las capacidades de autoaprendizaje de Deep Learning significan una mayor precisión de los resultados y un procesamiento más rápido. Dado que el aprendizaje automático requiere intervención manual, esto da como resultado una precisión reducida y puede conducir a un error humano durante el proceso de programación
• DL puede aprender características no lineales de alto nivel necesarias para una clasificación precisa. Por ejemplo, si uno usa algoritmos tradicionales de aprendizaje automático para problemas de visión por computadora, necesitaría tiempo para extraer las características importantes de cientos de imágenes. En Deep Learning, uno puede alimentar píxeles sin procesar para procesar imágenes y clasificar correctamente los objetos en imágenes con mayor precisión

Escala de algoritmos DL con datos Vis-Ã -Vis ML

Además de la extracción automática de características en los modelos de aprendizaje profundo, lo que lo hace muy adecuado para tareas de visión por computadora, como la clasificación de imágenes y el reconocimiento facial, los algoritmos de aprendizaje profundo escalan con datos, en oposición al aprendizaje automático. Las técnicas de aprendizaje automático funcionan bien en cierto nivel, pero cuando se agregan más datos de capacitación a la red. Una de las principales ventajas de las redes de aprendizaje profundo es que los modelos continúan mejorando a medida que aumenta el tamaño de los datos.

En el aprendizaje automático, lo contrario es cierto. Más datos no siempre ayudan, pero mejores datos siempre son mejores, enfatizó Xavier Amatriain, vicepresidente de ingeniería de Quora. Otro argumento presentado por Amatriain es que agregar más características (variables) no necesariamente mejora la precisión del modelo.

Interpretabilidad del modelo en aprendizaje profundo y aprendizaje automático

Una noción popular sobre los modelos de aprendizaje automático es la interpretabilidad: los modelos estadísticos como la regresión logística producen modelos interpretables. Históricamente, el sector financiero que depende en gran medida de la capacidad de interpretación utiliza modelos de aprendizaje automático debido a su capacidad para ofrecer una pista de auditoría. Por otro lado, las redes neuronales se denominan cajas negras, ya que no hay una comprensión real de cómo se logró la salida. En otras palabras, uno no puede determinar cómo funciona el modelo exacto por dentro y por fuera, pero conoce el algoritmo de aprendizaje que lo creó. Sin embargo, según Zachary Chase Lipton, un estudiante de doctorado en la UCSD, los algoritmos de aprendizaje automático, por ejemplo, los árboles de decisión, a menudo defendidos por su capacidad de interpretación, también pueden ser igualmente opacos. En el caso del árbol de decisión, incluso con un árbol, si crece demasiado, podría dejar de ser interpretable, al igual que los modelos lineales de alta dimensión, enfatizó en una publicación.

DL vs ML: diferencia en salida

Además, DL y ML también difieren en su salida â ?? Mientras que los modelos ML producen una salida numérica, la salida de los algoritmos DL puede variar desde una imagen hasta texto o incluso un audio. Además, donde las puntuaciones de DL sobre las técnicas de aprendizaje automático tradicionales es con su enfoque de red neuronal para buscar patrones y correlaciones que mejora significativamente cuando se alimentan más datos para entrenar. Sin embargo, esto no significa que el aprendizaje automático tradicional esté muerto. De hecho, las empresas que trabajan con hardware y datos limitados funcionan mejor con un conjunto de métodos de aprendizaje automático convencionales en lugar de modelos DL intensivos en datos.

Futuro del aprendizaje profundo

Los modelos de aprendizaje profundo están ganando vigencia con respecto a los modelos tradicionales de aprendizaje automático debido a sus avances en la tecnología orientada al consumidor, como el reconocimiento de imágenes y el reconocimiento facial en móviles. Donde los modelos de aprendizaje automático tocan terreno en el rendimiento analítico debido a limitaciones de procesamiento de datos, los algoritmos DL pueden funcionar a escala y las recientes innovaciones de hardware han demostrado cómo la capacitación de aprendizaje profundo se puede reducir drásticamente a minutos. Hay mucho más en la investigación de aprendizaje profundo y DL está preparada para tener un gran impacto en áreas como la tecnología sin conductor, el comercio minorista, la atención médica y sus avances tendrán un impacto significativo en el diagnóstico

Inteligencia artificial es el nombre de un campo de investigación muy amplio, con numerosas ramas. Cualquier enfoque para hacer que una computadora se comporte de una manera que se puede llamar inteligente “cae dentro de este campo.

Machine Learning es una rama particular en IA. Se centra en algoritmos que construyen modelos basados ​​en datos observados. Una parte esencial es el aprendizaje : dados diferentes datos, podría obtener un modelo diferente. Una vez más, hay muchos subcampos y ramas, según la metodología utilizada y la especificación del problema (por ejemplo, ¿solo desea saber qué ejemplos son “buenos” o “malos”, o desea que el algoritmo aprenda ¿Qué acciones tomar en una situación específica?).

El aprendizaje profundo es una técnica particular en el aprendizaje automático. Utiliza una red neuronal artificial con muchas capas, utilizando técnicas inteligentes particulares para aprender los parámetros óptimos del modelo. Cada nodo individual en la red representa alguna “característica” que ayuda a representar la entrada o asignar una clase a la entrada. Por ejemplo, si todas las entradas son caras, un nodo podría ser “ancho de nariz” o “tono de piel promedio” o algo así. De manera crucial, las personas que crean la red no necesitan poner estas características en sí mismas. El algoritmo decidirá automáticamente qué características funcionan mejor para cumplir su tarea.

Data Science es un campo diferente, relacionado con la IA. Analiza cómo los algoritmos pueden ayudar a manejar grandes cantidades de datos. Incluye visualización de datos (cómo hacer que un conjunto de datos grande sea más fácil de visualizar para humanos), Minería de datos (búsqueda automática de patrones interesantes en conjuntos de datos) o modelos de aprendizaje (lo que conduce al aprendizaje automático).

Hay un estado anormal de confusión en torno a esos términos. Esta publicación debería ayudar a comprender las distinciones y conexiones de esos campos. Comencemos con la siguiente imagen. Explica los tres términos inteligencia artificial, aprendizaje automático y aprendizaje profundo:

El enfoque más simple y directo para pensar en su relación es imaginarlos como círculos concéntricos con – la probabilidad de que las cosas comiencen, es decir, AI, el círculo más grande , – en ese punto, el aprendizaje automático que floreció más tarde , – finalmente, el aprendizaje profundo que está impulsando Explosión de IA presente – encajando dentro de ambos.

Inteligencia Artificial VS Aprendizaje Automático Vs. Aprendizaje Profundo?

Mire estos 3 videos a continuación para que quede claro.

Para abreviar:

Inteligencia artificial – ” Inteligencia humana exhibida por máquinas ”

Aprendizaje automático: ” un enfoque para lograr la inteligencia artificial ”

Aprendizaje profundo: “Una técnica para implementar el aprendizaje automático”

En largo:

Inteligencia Artificial

La Inteligencia Artificial, o simplemente IA, es el término general expansivo que retrata los sistemas informáticos que intentan hacerse pasar por una visión similar a la humana. John McCarthy, quien instituyó el término en 1956, lo caracteriza como ” la ciencia y la construcción de la fabricación de máquinas inteligentes “.

Hoy, las áreas de innovación de IA son fundamentalmente robótica, aprendizaje automático, visión artificial y procesamiento del lenguaje natural . Sin embargo, la ventaja clave de la IA en los negocios es el análisis predictivo. Usando algoritmos de IA, las organizaciones pueden desarrollarse exponencialmente para aumentar la ventaja notable sobre sus compañeros. Las máquinas de IA en general se han quedado en el cine y en los libros de ciencia ficción a la luz de las circunstancias actuales; no podemos lograrlo, por lo menos todavía no.

Industrias populares de inteligencia artificial hoy en día : automóviles autónomos, atención médica / sanitaria y mucho más.

Para saber más sobre IA haga clic aquí

Aprendizaje automático

El subcampo de AI llamado Machine Learning (ML) usa algoritmos para encontrar patrones en los datos, y luego usa un modelo que reconoce esos patrones para hacer predicciones sobre nuevos datos. Se concentra en desarrollar algoritmos que permitan que los sistemas informáticos aprendan automáticamente, sin ser programados expresamente.

Para finalizar esta tarea, se ha desarrollado una amplia variedad de algoritmos como Regresión lineal, Regresión logística, Máquinas de vectores de soporte (SVM), K-Means, Árboles de decisión, Bosques aleatorios, Naive Bayes, PCA y, por último, Redes neuronales artificiales (ANN ) Vea también 15 algoritmos que todo ingeniero de aprendizaje automático debe saber .

En general, el aprendizaje automático puede dividirse en dos tipos : supervisado, no supervisado y entre esos dos. Los algoritmos de aprendizaje supervisados ​​utilizan datos etiquetados, los algoritmos de aprendizaje no supervisados ​​encuentran patrones en datos no etiquetados.

El aprendizaje semi-supervisado utiliza una mezcla de datos etiquetados y no etiquetados. El aprendizaje por refuerzo entrena algoritmos para maximizar las recompensas basadas en la retroalimentación.

Industrias populares de ML hoy : más frecuente en las empresas en línea donde consumía cosas en línea, redes sociales, mercados de valores y banca de inversión.

Para saber más sobre ML haga clic aquí

Aprendizaje profundo:

Sin embargo, hoy, la nueva regla de moda del mercado es Deep Learning (DL), y este procedimiento fue concebido a partir de ANN . ¿Es una locura prevaleciente, así como está eliminando gradualmente cualquier otro método de ML?

Deep Learning utiliza redes neuronales de varias capas y aprende al procesar mucha información.
A pesar de que el pensamiento central se exhibió en los años 60, es solo hoy con la accesibilidad de la información y las intensas Unidades de Procesamiento Gráfico ( GPU ) que demostró fructíferamente.

Las unidades de procesamiento gráfico (GPU) han acelerado los servidores de varios núcleos para el procesamiento en paralelo. Una GPU tiene una arquitectura paralela masiva que consta de miles de núcleos más pequeños y más eficientes diseñados para manejar múltiples tareas simultáneamente.

Existen diferentes variaciones de los algoritmos de aprendizaje profundo como:

a.) Redes neuronales profundas para algoritmos tradicionales mejorados

b.) Redes neuronales convolucionales para imágenes

c.) Redes neuronales recurrentes para datos secuenciados

Los logros actuales de DL fueron en el campo de la visión artificial, la traducción automática, el reconocimiento de voz, el juego automatizado, los vehículos autónomos y mucho más.

Industrias populares de ML hoy en día : comercio minorista, comercio electrónico y ahora en transporte y medicina.

Para saber más sobre DL haga clic aquí

Diferentes áreas de investigación y métodos para AI ML y DL:

Inteligencia Artificial

Aprendizaje automático,
comprensión del lenguaje natural,
síntesis del lenguaje,
visión por computador,
robótica, análisis de sensores,
optimización y simulación,
Teoría de juegos algorítmicos y elección social computacional
y mucho más.

Aprendizaje automático:

Aprendizaje profundo,
soporte de máquinas de vectores,
árboles de decisión,
Bayes aprendiendo,
k-significa agrupamiento,
aprendizaje de reglas de asociación,
regresión y mucho más.

Aprendizaje profundo:

Redes neuronales artificiales,
redes neuronales convolucionales,
redes neuronales recursivas,
larga memoria a corto plazo,
redes de creencias profundas, y mucho más.

Conclusión

Básicamente, se están bifurcando de un árbol similar de inteligencia informática donde la alta supercomputación, el acceso en / a la web y, por lo tanto, la accesibilidad de una gran información de video, audio y contenido, harán más cosas concebibles más adelante.

Objetivo de la IA : dar a una máquina la capacidad de pensar, razonar, aprender, etc.

Objetivo de ML : dar a una máquina la capacidad de aprender cosas.

Objetivo de DL : dar a las máquinas la capacidad de aprender mediante diversos enfoques rápidamente.

Los modelos y algoritmos actuales están esencialmente empapados y son solo una nueva tecnología o una avalancha de nuevos datos, sí, sus datos de voz y visión que sumergirán en sus autos autónomos, sus Alexa / HomePods y otros harán más cosas posibles.

INTELIGENCIA ARTIFICIAL AI es el término más amplio, que se aplica a cualquier técnica que permita a las computadoras imitar la inteligencia humana, usando lógica, reglas si-entonces, árboles de decisión y aprendizaje automático.

APRENDIZAJE DE MÁQUINAS El subconjunto de IA que incluye técnicas estadísticas abstrusas que permiten a las máquinas mejorar en tareas con experiencia. La categoría incluye aprendizaje profundo.

APRENDIZAJE PROFUNDO El subconjunto de aprendizaje automático compuesto por algoritmos que permiten que el software se capacite para realizar tareas, como el reconocimiento de voz e imagen, al exponer redes neuronales de varias capas a grandes cantidades de datos.

Esta explicación está escrita en Por qué el aprendizaje profundo está cambiando repentinamente su vida. Esta definición proporciona una comprensión clara entre IA, aprendizaje profundo y aprendizaje automático.

El aprendizaje profundo, como muchos avances tecnológicos y científicos del pasado y el presente, tiene una afinidad con los procesos naturales, es decir, el aprendizaje profundo estaba destinado a simular redes neuronales que se encuentran en nuestros cerebros. Básicamente está imitando el proceso neural del cerebro humano, esto creo que es un hecho interesante sobre el aprendizaje profundo.

Es opcional pero muy recomendable para mí que aprenda los conceptos básicos del aprendizaje automático, pero lo más importante es que tenga conocimientos relevantes en matemáticas y ciencias de la computación.

• Deep Learning es un subconjunto dentro de Machine Learning que es un subconjunto de Inteligencia Artificial, estos son, después de todo, campos relacionados.

Ahora, veremos las crecientes perspectivas de empleo en Deep Learning, antes de analizar cómo puede aprender Deep Learning a través de cursos en línea, fácilmente disponibles y fácilmente accesibles. Lo emocionante es que está disponible en línea y se puede atender a su conveniencia desde la comodidad de su hogar.

El campo de Deep Learning está creciendo y eso solo significa que los empleos disponibles también están aumentando, pero las empresas enfrentan un problema importante para encontrar personal calificado que pueda cumplir con las funciones requeridas. Según el informe de Gartner, los puestos vacantes para los expertos de Deep Learning aumentaron de casi nada en 2014 a 41,000 en 2017, y esto solo ha aumentado. El crecimiento y el progreso en el campo de Deep Learning se ve directamente afectado por la participación de los grandes actores de la industria tecnológica, por ejemplo, Facebook, Netflix, Google, etc. Estas grandes compañías tecnológicas han invertido exponencialmente en Deep Learning a lo largo de los años y también en adquirir compañías más pequeñas que están en negocios relacionados.

Espero eso ayude.

Si El aprendizaje profundo está relacionado con la ciencia de datos. De hecho, la IA es la raíz del árbol y luego el aprendizaje automático se considera la rama de la IA. Donde el aprendizaje profundo es solo una nueva forma de aprendizaje automático.

Le recomendaré que lea el artículo Diferencia entre el aprendizaje profundo y el aprendizaje automático. Esto agudizará su comprensión sobre el aprendizaje automático y el aprendizaje profundo.