TL; DR: el aprendizaje profundo es una rama secundaria del aprendizaje automático , que nuevamente es una rama secundaria de la inteligencia artificial . La visión por computadora se basa en parte en algoritmos de los otros campos, pero también comprende otros métodos.
Todos estos campos están relacionados, siendo la inteligencia artificial (IA) la más general.
La inteligencia artificial es básicamente la rama de la informática que intenta resolver tareas con computadoras para las que aparentemente se requeriría una inteligencia a nivel humano. Una diferencia clave entre los programas informáticos tradicionales y los inteligentes es que estos últimos no se limitan a una capacidad previamente definida, sino que aumentan sus conocimientos ellos mismos.
- ¿Cuáles son algunos de los beneficios del análisis de regresión múltiple?
- ¿Cuál es la diferencia entre ajuste de curva y regresión?
- ¿Hay alguna API (y documentación) disponible para crear arquitecturas de red neuronal personalizadas usando Deeplearning4j?
- ¿Cómo calcularía el ROI del uso de Big Data y el aprendizaje automático en los productos de la compañía?
- ¿Qué enfoque debo tomar para manejar los datos de desequilibrio para crear un modelo de aprendizaje automático?
Un enfoque dentro de la inteligencia artificial es la IA simbólica , donde los expertos en el dominio definen un conjunto de declaraciones y reglas lógicas de cómo combinar varias declaraciones en nuevas para el razonamiento y el aumento del conocimiento. Sin embargo, para este enfoque, es necesario elaborar una gran cantidad de reglas para producir un programa poderoso, que a menudo no es factible en la práctica.
Otro enfoque, aparentemente más eficiente, para realizar la IA es el aprendizaje automático . Contrariamente a la IA simbólica , el programa infiere las reglas en sí usando evidencia, los llamados datos de entrenamiento. Para el caso supervisado, los datos de capacitación consisten en muestras para las cuales se deben predecir algunas propiedades y los objetivos de predicción correspondientes. Desde un punto de vista matemático, se define un modelo paramétrico y los parámetros se ajustan para producir las predicciones objetivo para los datos de entrenamiento utilizando la optimización matemática. Esto se llama entrenar el modelo, y como el modelo computacional aprende de los datos, este enfoque se llama aprendizaje automático . Bajo algunas condiciones específicas, el modelo entrenado de esta manera puede generalizarse a datos nunca vistos previamente y, por lo tanto, generar las predicciones para estos.
El aprendizaje profundo es en sí mismo una sub-rama del aprendizaje automático , donde el modelo computacional paramétrico mencionado anteriormente es una red neuronal artificial, inspirada en el cerebro. Consiste en unidades de procesamiento atómico interconectadas, llamadas neuronas. La señal para la que se deben predecir algunas propiedades se interpreta como estimulaciones de algunas de las neuronas, las llamadas neuronas de entrada. Las neuronas pueden comunicar los estímulos a otros dependiendo de la fuerza de sus conexiones. El proceso de entrenamiento en aprendizaje profundo consiste básicamente en encontrar las fortalezas correctas de las conexiones, de modo que algunas neuronas interpretadas como salida producen los objetivos deseados cuando las neuronas de entrada son estimuladas con una señal.
La visión por computadora es (en parte) otra subárea de inteligencia artificial, con el objetivo de que las computadoras imiten la percepción visual humana y las capacidades de razonamiento. Básicamente, la visión por computadora es sinónimo de imagen o análisis de video, es decir, abarca la inferencia automática de conocimiento de imágenes o videos digitales. Las técnicas modernas de visión por computadora dependen en gran medida del aprendizaje automático y de los algoritmos específicos de aprendizaje profundo . Sin embargo, este campo también comprende técnicas geométricas y físicas. Por ejemplo, los reflejos de luz de los objetos de la escena y la proyección del mundo 3D al plano de la imagen 2D deben analizarse para producir conocimiento del mundo real a partir de una imagen de él.