Que es el aprendizaje automatico y el aprendizaje profundo en inteligencia artificial

Que es el aprendizaje automatico y el aprendizaje profundo en inteligencia artificial

Los dispositivos conectados a Internet se denominan dispositivos inteligentes. Casi todo lo relacionado con Internet se conoce como dispositivo inteligente

En este contexto, se puede decir que el código que hace que los dispositivos sean MÁS INTELIGENTES, para que pueda funcionar con mínima o sin intervención humana , se basa en la Inteligencia Artificial (IA). Los otros dos, a saber: Aprendizaje automático (ML) y Aprendizaje profundo (DL), son diferentes tipos de algoritmos creados para brindar más capacidades a los dispositivos inteligentes. Veamos AI vs ML vs DL en detalle a continuación para comprender lo que hacen y cómo están conectados a AI.

AI puede llamarse un superconjunto de procesos de Machine Learning (ML) y procesos de Deep Learning (DL). AI generalmente es un término general que se usa para ML y DL. Deep Learning es nuevamente, un subconjunto de Machine Learning.

Algunos argumentan que Machine Learning ya no es parte de la IA universal. Dicen que ML es una ciencia completa en sí misma y, por lo tanto, no es necesario llamarla con referencia a la Inteligencia Artificial. La IA prospera con los datos: Big Data. Cuantos más datos consuma, más precisa será. No es que siempre va a predecir correctamente. Habrá banderas falsas también. La IA se entrena en estos errores y mejora en lo que se supone que debe hacer, con o sin supervisión humana.

La inteligencia artificial no se puede definir correctamente, ya que ha penetrado en casi todas las industrias y afecta demasiados tipos de procesos y algoritmos (comerciales). Podemos decir que la Inteligencia Artificial se basa en Data Science (DS: Big Data ) y contiene Machine Learning como su parte distintiva. Del mismo modo, el aprendizaje profundo es una parte distinta del aprendizaje automático.

La forma en que el mercado de TI se inclina, el futuro estaría dominado por dispositivos inteligentes conectados, llamados Internet de las cosas (IoT) . Los dispositivos inteligentes significan inteligencia artificial: directa o indirectamente. Ya estás utilizando la inteligencia artificial (IA) en muchas tareas en tu vida diaria. Por ejemplo, escribir en el teclado de un teléfono inteligente que sigue mejorando en "sugerencia de palabras". Entre otros ejemplos en los que, sin saberlo, está tratando con Inteligencia Artificial, está buscando cosas en Internet, compras en línea y, por supuesto, las bandejas de entrada de correo electrónico de Gmail y Outlook cada vez más inteligentes.

¿Qué es el aprendizaje automático?

Machine Learning es un campo de Inteligencia Artificial donde el objetivo es hacer que una máquina (o computadora, o software) aprenda y se entrene sin mucha programación. Dichos dispositivos necesitan menos programación, ya que aplican métodos humanos para completar tareas, incluido el aprendizaje de cómo desempeñarse mejor. Básicamente, ML significa programar un poco una computadora / dispositivo / software y permitirle aprender por sí solo.

Existen varios métodos para facilitar el aprendizaje automático. De ellos, los siguientes tres se usan ampliamente: Supervisado, Sin supervisión, y Aprendizaje reforzado.

Aprendizaje supervisado en Machine Learning

Supervisado en el sentido de que los programadores primero proporcionan a la máquina datos etiquetados y respuestas ya procesadas. Aquí, las etiquetas significan los nombres de fila o columna en una base de datos u hoja de cálculo. Después de suministrar grandes conjuntos de dichos datos a la computadora, está listo para analizar más conjuntos de datos y proporcionar resultados por sí mismo. Eso significa que usted le enseñó a la computadora cómo analizar los datos que se le envían.

Por lo general, se confirma con la regla 80/20. Se envían enormes conjuntos de datos a una computadora que intenta y aprende la lógica detrás de las respuestas. El 80 por ciento de los datos de un evento se envían a la computadora junto con las respuestas. El 20 por ciento restante se alimenta sin respuestas para ver si la computadora puede obtener los resultados adecuados. Este 20 por ciento se utiliza para la verificación cruzada para ver cómo está aprendiendo la computadora (máquina).

Aprendizaje automático sin supervisión

El aprendizaje no supervisado ocurre cuando la máquina se alimenta con conjuntos de datos aleatorios que no están etiquetados y no están en orden. La máquina tiene que descubrir cómo producir los resultados. Por ejemplo, si le ofrece softballs de diferentes colores, debería poder clasificar por colores. Por lo tanto, en el futuro, cuando la máquina se presenta con una nueva pelota de softball, puede identificar la pelota con etiquetas ya presentes en su base de datos. No hay datos de entrenamiento en este método. La máquina tiene que aprender sola.

Aprendizaje reforzado

Las máquinas que pueden tomar una secuencia de decisiones entran en esta categoría. Entonces hay un sistema de recompensa. Si la máquina hace bien lo que quiera el programador, obtiene una recompensa. La máquina está programada de manera que anhela las máximas recompensas. Y para obtenerlo, resuelve problemas al diseñar diferentes algoritmos en diferentes casos. Eso significa que la computadora AI utiliza métodos de prueba y error para obtener resultados.

Por ejemplo, si la máquina es un vehículo autónomo, tiene que crear sus propios escenarios en carretera. No hay forma de que un programador pueda programar cada paso, ya que no puede pensar en todas las posibilidades cuando la máquina está en la carretera. Ahí es donde entra en juego Reinforcement Learning. También puede llamarlo AI de prueba y error.

¿En qué se diferencia el aprendizaje profundo del aprendizaje automático?

Deep Learning es para tareas más complicadas. Deep Learning es un subconjunto de Machine Learning. Solo que contiene más redes neuronales que ayudan a la máquina en el aprendizaje. Las redes neuronales artificiales no son nuevas. Los laboratorios de todo el mundo están tratando de construir y mejorar redes neuronales para que las máquinas puedan tomar decisiones informadas. Debes haber oído hablar de Sophia , una humanoide en Arabia Saudita que recibió la ciudadanía regular. Las redes neuronales son como cerebros humanos pero no tan sofisticadas como el cerebro.

Hay algunas buenas redes que proporcionan un aprendizaje profundo sin supervisión. Se puede decir que el aprendizaje profundo es más redes neuronales que imitan el cerebro humano. Aún así, con suficientes datos de muestra, los algoritmos de Deep Learning se pueden usar para recoger detalles de los datos de muestra. Por ejemplo, con una máquina DL con procesador de imágenes, es más fácil crear rostros humanos con emociones que cambian de acuerdo con las preguntas que se le hacen a la máquina.

Semrush sigue a tu competencia


Fecha actualizacion el 2020-02-04. Fecha publicacion el 2020-02-04. Categoria: artificial intelligence Autor: Oscar olg Mapa del sitio Fuente: thewindowsclub Version movil