Por lo tanto, la IA es el concepto global que inicialmente entró en erupción, a continuación, seguido por ML que prosperó después, y por último DL que es prometedor para escalar los avances de AI a otro nivel.
la excavación de Let más profundo para que pueda entender lo que es mejor para su caso de uso específico: la inteligencia artificial, aprendizaje automático, o el aprendizaje profundo.
¿Qué es la inteligencia artificial?
Como su nombre indica, la inteligencia artificial puede ser vagamente interpretado como la incorporación de la inteligencia humana a las máquinas.
La inteligencia artificial es el concepto más amplio que consta de todo, desde Formado-Viejo Bueno AI (BAIA) todo el camino a las tecnologías futuristas, como el aprendizaje profundo.
Siempre que la máquina A completa las tareas basadas en un conjunto de normas establecidas que resuelven problemas (algoritmos), un comportamiento “inteligente” como es lo que se llama inteligencia artificial.
Por ejemplo, estas máquinas pueden mover y manipular objetos, reconocer si alguien ha levantado las manos, o resolver otros problemas.
máquinas accionadas-AI se clasifican generalmente en dos grupos - en general y estrecho. Las máquinas de AI Inteligencia Artificial en general pueden resolver los problemas de forma inteligente, como los mencionados anteriormente.
Las máquinas de inteligencia AI estrechas pueden realizar tareas específicas muy bien, a veces mejor que los humanos - a pesar de que tienen un alcance limitado.
La tecnología utilizada para la clasificación de imágenes en Pinterest es un ejemplo de estrecha AI.
¿Cuál es la máquina de aprendizaje?
Como su nombre indica, el aprendizaje automático se puede interpretar libremente en el sentido de los sistemas informáticos de autorización con la capacidad de “aprender” .
La intención de ML es permitir a las máquinas de aprender por sí mismos mediante los datos facilitados y hacer predicciones exactas .
ML es un subconjunto de la inteligencia artificial; De hecho, es simplemente una técnica para la realización de AI.
Es un método de entrenamiento algoritmos tales que puedan aprender cómo tomar decisiones.
La formación en la máquina de aprendizaje implica dar una gran cantidad de datos para el algoritmo y lo que le permite aprender más acerca de la información procesada.
Por ejemplo, aquí hay una tabla que identifica el tipo de fruta en función de sus características:
Como se puede ver en la tabla anterior, los frutos se diferencian en función de su peso y textura.
Sin embargo, la última fila da sólo el peso y la textura, sin el tipo de fruta.
Y, un algoritmo de aprendizaje automático puede ser desarrollado para tratar de identificar si la fruta es una naranja o una manzana.
Después de que el algoritmo es alimentado con los datos de entrenamiento, aprenderá las diferentes características entre una naranja y una manzana.
Por lo tanto, si se proporciona con los datos de peso y la textura, se puede predecir con exactitud el tipo de fruta con esas características.
¿Qué es el aprendizaje profundo?
Como se mencionó anteriormente, el aprendizaje profundo es un subconjunto del ML; De hecho, es simplemente una técnica para la realización de aprendizaje automático. En otras palabras, DL es la próxima evolución de aprendizaje automático.
DL algoritmos son más o menos inspirados por la información de los patrones de procesamiento encuentran en el cerebro humano.
Al igual que usamos nuestro cerebro para identificar patrones y clasificar los distintos tipos de información, los algoritmos de aprendizaje profundas pueden aprender a realizar las mismas tareas para las máquinas.
El cerebro por lo general trata de descifrar la información que recibe. Esto se logra por medio del etiquetado y la asignación de los artículos en varias categorías.
Cuando recibimos una nueva información, los intentos del cerebro a lo comparan con un elemento conocido antes de hacer sentido de ella - que es el mismo concepto de aprendizaje profundo emplean algoritmos.
Por ejemplo, las redes neuronales artificiales (RNA) son un tipo de algoritmos que tienen como objetivo imitar la forma en que nuestros cerebros toman decisiones.
Comparando profunda de aprendizaje frente a la máquina de aprendizaje puede ayudar a entender sus diferencias sutiles.
Por ejemplo, mientras DL puede descubrir automáticamente las características para ser utilizados para la clasificación, ML requiere estas características que se deben proporcionar de forma manual.
Por otra parte, en contraste con ML, DL necesita máquinas de alto nivel y considerablemente grandes cantidades de datos de entrenamiento para obtener resultados precisos.