¿Alguien puede explicarme la diferencia entre el aprendizaje automático y el aprendizaje profundo? ¿Es posible aprender aprendizaje profundo sin conocer el aprendizaje automático?
Respuestas:
El aprendizaje profundo es una variedad específica de un tipo específico de aprendizaje automático. Por lo tanto, es posible aprender sobre el aprendizaje profundo sin aprender todo el aprendizaje automático, pero requiere aprender algo de aprendizaje automático (porque es algo de aprendizaje automático).
El aprendizaje automático se refiere a cualquier técnica que se centra en enseñar a la máquina cómo puede aprender parámetros estadísticos de una gran cantidad de datos de entrenamiento. Un tipo particular de aprendizaje automático son las redes neuronales artificiales, que aprenden una red de transformaciones no lineales que pueden aproximarse a funciones muy complicadas de una amplia gama de variables de entrada. Los avances recientes en redes neuronales artificiales tienen que ver con cómo entrenar redes neuronales profundas , que tienen más capas de lo normal y también una estructura especial para enfrentar los desafíos de aprender más capas.
El aprendizaje profundo es una forma de aprendizaje automático.
El aprendizaje profundo se refiere al aprendizaje con redes neuronales profundas, esencialmente redes con muchas capas.
Las redes neuronales son un grupo de muchas formas de aprendizaje automático:
Por muy aceptables que sean las inclusiones representadas por el diagrama de Venn anterior, no es notablemente revelador ni preciso.
Los términos inteligencia artificial, aprendizaje automático y aprendizaje profundo, aunque no son marcas, tampoco son precisamente científicos. Son términos generales nombrados por personas con fondos particulares, comunicaciones y perspectivas departamentales en el momento en que publicaron los términos que se quedaron.
Además, el orden de las cosas es incorrecto. Lo que hoy se llama inteligencia artificial era un objetivo centenario de usar máquinas para automatizar actividades mentales que, en aquellos días, requerían atención humana y tal vez extender las habilidades mentales humanas a través de esa automatización. Esta visión surgió mucho antes de cambiar los circuitos y la teoría de la información y, por lo tanto, antes de la informática.
En consecuencia, la informática es en realidad un subconjunto de esa visión de IA y posterior a ella.
El aprendizaje profundo es un término basado en la idea precaria y demasiado simplificada de que existe una correlación entre el número de capas en una red artificial y la profundidad de abstracción que puede lograr la capa. Dado que el recuento de células de activación en una capa se llamaba ancho de la capa, se eligió la selección de profundidad para expresar la dimensión de la cantidad de capa. Esto es extraño porque la diagramación típica representa el número de celdas por capa como altura, el número de capas como ancho y el diagrama no tiene profundidad porque es 2-D. Pero ese no es el verdadero problema. No existe una base científica para la profundidad de una red y la profundidad de la abstracción, solo una corazonada, y hay evidencia considerable en el campo de la visión por computadora de que no es tan simple.
El siguiente diagrama de Venn tampoco tiene autoridad ni es perfectamente representativo, pero se reparan algunos de los problemas con el anterior. A pesar de que responde la pregunta de manera más inteligente en varios aspectos, los problemas en la elección de palabras en la jerga generalmente nunca se corrigen sin un impulso significativo, y esta publicación no será suficiente.
Cuando comencé los capítulos de Machine Leraning en el libro solían verse así
I) Supervisado:
Regresión
Clasificación
II) Aprendizaje no supervisado:
Agrupación
Asociación de aprendizaje.
III) Aprendizaje de refuerzo:
De repente, el capítulo I> 2> b creó un subcampo propio. Bueno, para saber por qué, déjame contarte un poco de historia. Machine learningLa palabra fue acuñada en 1959 por Arthur Samuel para significar eso machines were able to learn from dataque la instrucción explícita. Inicialmente se dividió en dos grupos en función de si el enfoque requería datos de etiqueta o no (es decir, regresión, clasificación), luego se dieron cuenta de que podemos casificar al agrupar también, lo que dio lugar a supervisión sin supervisión. Y el aprendizaje por refuerzo de palabras nació inspirado en áreas de la teoría de juegos. Vamos a guardar esos detalles a un lado para más adelante.
Al llegar al aprendizaje profundo, la noticia deep learningllegó muy recientemente, tan reciente como 2008 de una conferencia de Geoff Hinton. Allí, la gente comenzó a usarlo para indicar una arquitectura de red neuronal muy profunda utilizada en un documento presentado por Geoff Hinton y, a partir de entonces, se convirtió en una nueva forma de clasificar el aprendizaje automático supervised, unsupervisedo reinforcement(Disco: puede haber una referencia extraña de llamando a NN como DL antes de esto pero no tan popular y aceptable antes de esto)
Bueno, a veces siento que el nombre deep learninges un nombre inapropiado, hubiera sido mejor si se llamara así neural learningo tal vez hacer hincapié en la profundidad deep neural learning. Si eres nuevo, es posible que te preguntes de qué profundidad estoy hablando, toda la palabra profunda proviene del hecho de que la red neuronal (gracias a la disponibilidad de altas capacidades de procesamiento de GPU) ahora podía entrenar con éxito en múltiples capas. La palabra profundo también se puede usar libremente para incluir otras áreas de redes no neuronales de aprendizaje automático que requieren muchos cálculos como deep belief neto recurrent net. Para ser precisos las unidades de las redes de hoy en día ya no son una simple neurono una perceptron, puede ser LSTM, GRUo una capsule, así que supongo que la palabra deepahora tiene más sentido que antes.
Aquí hay una definición básica de machine learning:
"Algoritmos que analizan datos, aprenden de esos datos y luego aplican lo que han aprendido para tomar decisiones informadas"
Un ejemplo sencillo de un algoritmo de aprendizaje automático es un servicio de transmisión de música a pedido. Para que el servicio tome una decisión sobre qué nuevas canciones o artistas recomendar a un oyente, los algoritmos de aprendizaje automático asocian las preferencias del oyente con otros oyentes que tienen un gusto musical similar.
El aprendizaje automático alimenta todo tipo de tareas automatizadas y se extiende a través de múltiples industrias, desde empresas de seguridad de datos que buscan malware hasta profesionales financieros que buscan intercambios favorables. Están diseñados para funcionar como asistentes personales virtuales, y funcionan bastante bien.
En términos prácticos, deep learninges solo un subconjunto del aprendizaje automático. Técnicamente es aprendizaje automático y funciona de manera similar (de ahí que los términos a veces se intercambien libremente), pero sus capacidades son diferentes.
Los modelos básicos de aprendizaje automático se vuelven progresivamente mejores en cualquiera que sea su función, pero siguen siendo una guía. Si un algoritmo de ML devuelve una predicción inexacta, entonces un ingeniero debe intervenir y hacer ajustes. Pero con un modelo de aprendizaje profundo, los algoritmos pueden determinar por sí mismos si una predicción es precisa o no.
Deep Learning es un subconjunto de Machine Learning.
El aprendizaje automático y el aprendizaje profundo no son dos cosas diferentes. El aprendizaje profundo es una de las formas de aprendizaje automático. El nivel de capas en la red neuronal son cada vez más profundos, el aprendizaje es parte del aprendizaje profundo.
“El aprendizaje profundo es un tipo particular de aprendizaje automático que logra un gran poder y flexibilidad al aprender a representar el mundo como una jerarquía anidada de conceptos, con cada concepto definido en relación con conceptos más simples y representaciones más abstractas calculadas en términos de conceptos menos abstractos. "