Hola kumar
Gran pregunta! Soy el líder de contenido de AI Nanodegree en Udacity, y antes de esto, lideraba ML Nanodegree, así que tuve que trabajar mucho en esas diferencias. Los dos ND (y las dos disciplinas) son muy similares, pero aquí están sus diferencias, en pocas palabras:
- La Inteligencia Artificial abarca todos los algoritmos y métodos que hacen que una computadora resuelva problemas por sí misma. Esto incluye cosas como lógica, algoritmos gráficos, algoritmos probabilísticos, etc.
- Machine Learning es parte de la Inteligencia Artificial, que consiste en algoritmos en los que uno usa los datos para entrenar los parámetros del algoritmo.
Entonces, los problemas en AI que no están en ML son aquellos en los que uno resuelve un problema sin necesariamente usar los datos y, en cambio, usar las reglas que le da el entorno. Por ejemplo, cuando quieres ganar un juego en particular, donde usas las reglas del juego para generar tu estrategia. Los problemas de aprendizaje automático tienden a resolverse observando muchas soluciones al problema y generando soluciones a partir de ellas. Por ejemplo, jugando miles de juegos (o mirando miles de juegos jugados anteriormente) y usándolos para mejorar su técnica.
- ¿Puede un robot pasar una prueba de Turing 'inversa'? ¿Por qué? ¿A qué proporción de éxito?
- Para que la inteligencia artificial funcione, ¿necesitamos primero descubrir qué es la inteligencia humana?
- Cómo construir un robot portador
- ¿Qué papel tendrá la IA en el enfoque de diseño de IDEO?
- ¿Cómo pueden los robots reemplazar a los humanos? ¿Cuándo se estima que esto ocurra?
Ahora, a los ND. AIND y MLND tienen algunas superposiciones y muchas diferencias, pero la diferencia principal es que todo en MLND trata con el análisis de datos. El plan de estudios de MLND es el siguiente:
- Cómo limpiar datos, métricas, errores, etc.
- Aprendizaje supervisado (algoritmos de regresión y clasificación)
- Aprendizaje no supervisado (agrupamiento, etc.)
- Aprendizaje de refuerzo (algoritmos en los que la máquina aprende a medida que genera datos, por ejemplo, cómo entrenar a un agente para jugar un juego de atari, etc.)
- Aprendizaje profundo (redes neuronales profundas)
AIND, por otro lado, se centra exclusivamente en algoritmos que resuelven problemas. La única superposición con AIND está en la última sección, la parte de Deep Learning. El plan de estudios de AIND es el siguiente:
- Fundamentos de IA (Satisfacción de restricciones, Redes bayesianas, Lógica, Modelos ocultos de Markov, Algoritmos gráficos, Búsqueda y optimización)
- Aprendizaje profundo (redes neuronales profundas, redes neuronales convolucionales, redes neuronales recurrentes, LSTM)
- Una concentración, que puede ser visión artificial, procesamiento del lenguaje natural o interfaces de usuario visuales (reconocimiento de voz)
Espero que eso lo haya aclarado un poco. Como dije, estas disciplinas son muy similares, por lo que es natural que sus nanogrados también sean similares, pero ambos son muy interesantes y proporcionan las herramientas esenciales en el conjunto de herramientas de un buen ingeniero de ML / AI.
Estoy feliz de responder cualquier pregunta de seguimiento. ¡Salud!
Luis
