AI vs. Machine Learning vs. Deep Learning: ¿Cuál es la diferencia? Academia Beth

AI vs. Machine Learning vs. Deep Learning: ¿Cuál es la diferencia?

Lunes 17 de abril de 2017

Cuando AlphaGo de Deepmind ganó 4 de 5 juegos contra el entonces campeón Go Go Lee Se-dol, todo el mundo llamó la atención. En ese momento, anunciado como el triunfo de la inteligencia artificial, la IA fue un paso importante hacia la transformación de máquinas avanzadas en realidad.

Cuando las palabras Deep Learning y Machine Learning entran en el léxico público, cuando los medios usan estos términos para explicar cómo AlphaGo compite contra la mente humana.

Al estar cerca uno del otro, estos términos tienen diferentes significados. En el día y siglo, donde sabemos cómo la tecnología afecta nuestras vidas, es importante saber la diferencia entre estos términos.

Este artículo te ayudará.

Enfoque La mejor manera de entender estos términos es conocer las relaciones entre ellos. AI, Machine Learning y Deep Learning son como una colección de muñecas rusas: AI es el concepto más amplio y, por lo tanto, el títere más grande de la colección, Machine Learning es insuperable. Lo puedes encontrar aquí.

La IA, el aprendizaje automático y el aprendizaje profundo son como colecciones de muñecas rusas ... Haga clic para tuitear

Comenzamos con nuestra comprensión del primer títere, la Inteligencia Artificial.

Inteligencia artificial (IA) La inteligencia artificial ha evolucionado a lo largo de los siglos, desde los mitos griegos sobre las personas mecánicas, hasta la destrucción / preservación de la humanidad, con el tiempo, con respecto a los organismos cibernéticos inteligentes. nggi ha sido parte de nuestra imaginación pública hasta la línea Terminator. . Esta es la teoría y el desarrollo de sistemas informáticos que requieren inteligencia humana, como la percepción visual, el reconocimiento de voz, la toma de decisiones y la traducción entre idiomas.

El concepto de IA, popularizado por Hollywood y Sci-Fi, se llama "AI común", una poderosa máquina que domina al hombre en todas las áreas.

Sin embargo, AlphaGo y la mayoría de los casos actuales de IA están en la categoría "IA oscura", estas máquinas están diseñadas para replicar o mejorar las tareas específicas de una persona.

La popularidad de la IA en los últimos años ha facilitado la exploración de todas las posibilidades en el campo, gracias a la fácil integración de GPU y Big Data con diferentes conjuntos de datos en paralelo.

Pero, ¿cómo el área que minó la atención y el progreso en 2012 lo hizo tan rápido? Esta pregunta nos lleva al aprendizaje automático en el campo de la informática, donde se realizó este desarrollo.

Aprendizaje automático

La ingeniería mecánica, como concepto, se refiere a la capacidad de una máquina para aprender por sí misma de la información proporcionada. Aunque generalmente programamos nuestras máquinas para que sigan las instrucciones de acuerdo con nuestros requisitos, en Machine Learning, utilizamos algoritmos que verifican regularmente los datos y aprenden el comportamiento espontáneo.

Pero cómo la IA, que está enfocada y enfocada en 2012, la ha hecho grande ... Tweet to Tweet

La clasificación de correos electrónicos en diferentes filtros, determinar si el correo electrónico es spam es un buen ejemplo de esto, utilizando algoritmos de Machine Learning.

El aprendizaje automático fue desarrollado por primera vez por la multitud de AI y desde entonces ha recopilado muchas técnicas, incluido el aprendizaje del árbol de decisiones, el clasificador simple de bayes y las máquinas de vectores de soporte. Esta computadora es ampliamente utilizada en el campo de la visión, cuyo propósito es ayudar a la computadora a identificar varios objetos dentro de la imagen.

Inicialmente, falló en el campo: requirió codificación manual, tiempo de procesamiento, y aún así no pudo igualar los resultados con los estándares humanos. Con el paso del tiempo y la infraestructura tecnológica mejorada, estas técnicas se han vuelto muy poderosas, pero solo hay un subcampo que puede ayudar a desarrollar Machine Learning, que es una foto y un Uber de PC Vision Se utiliza con éxito en el reconocimiento de objetos. A Apple y a los conductores les gusta estacionar menos.

¿Y la técnica? Este es el objetivo del estudio en profundidad.

Aprendizaje profundo

Deep Learning es un subdominio de Machine Learning que utiliza técnicas de redes neuronales artificiales. Está inspirado en la biología humana: debido a que nuestro cerebro consiste en una red de neuronas que transmiten señales y transmiten información, el algoritmo crea una configuración similar a una máquina, a diferencia de las neuronas biológicas que pueden comunicarse libremente entre sí. olor a neurona. Las redes tienen capas y conexiones discretas y siguen la dirección predefinida.

De hecho, el aprendizaje profundo implica transferir mucha información a un sistema informático que clasifica los datos mediante preguntas binarias reales o falsas o analiza los datos mediante la extracción de valores numéricos. Esta información se almacena en forma de redes neuronales, y luego se utiliza para clasificar cualquier forma de información: audio, video, habla, etc. Aunque el volumen computacional es muy grande, este método produce excelentes resultados y actualmente se usa para una gama tan amplia de problemas. Como conductor menor de automóviles, pintando en blanco y negro, brindando diagnóstico médico y más.

En resumen, estos conceptos son fáciles de pensar como círculos concéntricos. La IA es un objetivo amplio, un futuro que se realizará hoy. El aprendizaje automático es el enfoque más prometedor para hacer realidad el futuro. El aprendizaje profundo es el aprendizaje automático: la forma más sólida de hacerlo.

Visite nuestros cursos de Ciencias de la información para obtener una comprensión más profunda de estos conceptos.

Publicado originalmente porteacademy.co el 17 de abril de 2017.