Diferencia entre aprendizaje automático y aprendizaje profundo
evelyn clarke
Diferencia clave entre el aprendizaje automático y el aprendizaje profundo
Las principales diferencias entre Machine Learning y Deep Learning son:
- El aprendizaje automático proporciona un rendimiento excelente en un conjunto de datos pequeño o mediano, mientras que el aprendizaje profundo proporciona un rendimiento excelente en un conjunto de datos grande.
- ML funciona en una máquina de gama baja, mientras que DL requiere una máquina potente, preferiblemente con GPU.
- El tiempo de ejecución del aprendizaje automático varía desde unos minutos hasta horas, mientras que el aprendizaje profundo puede tardar hasta semanas.
- Con el aprendizaje automático, se necesitan menos datos para entrenar el algoritmo que con el aprendizaje profundo. El aprendizaje profundo requiere un conjunto extenso y diverso de datos para identificar la estructura subyacente.
¿Qué es la IA?
IA (inteligencia artificial) Es una rama de la informática en la que las máquinas se programan y se les otorga la capacidad cognitiva de pensar e imitar acciones como los humanos y los animales. El punto de referencia de la IA es la inteligencia humana en lo que respecta al razonamiento, el habla, el aprendizaje, la visión y la resolución de problemas, algo que está muy lejos en el futuro.
La IA tiene tres niveles diferentes
1) IA estrecha: Se dice que una inteligencia artificial es limitada cuando la máquina puede realizar una tarea específica mejor que un humano. La investigación actual sobre la IA ya está aquí
2) IA general: Una inteligencia artificial alcanza el estado general cuando puede realizar cualquier tarea intelectual con el mismo nivel de precisión que lo haría un humano.
3) IA activa: Una IA está activa cuando puede vencer a los humanos en muchas tareas.
Los primeros sistemas de IA utilizaban coincidencia de patrones y sistemas expertos.
¿Qué es el aprendizaje automático (ML)?
ml (Aprendizaje automático (Machine learning & LLM)) Es un tipo de IA en la que se entrena a un ordenador para automatizar tareas que resultan exhaustivas o imposibles para los seres humanos. Es la mejor herramienta para analizar, comprender e identificar patrones en los datos a partir del estudio de algoritmos informáticos. El aprendizaje automático puede tomar decisiones con una mínima intervención humana.
Comparando Inteligencia Artificial Frente al aprendizaje automático, el aprendizaje automático utiliza datos para alimentar un algoritmo que puede comprender la relación entre la entrada y la salida. Cuando la máquina termina de aprender, puede predecir el valor o la clase de un nuevo punto de datos.
¿Qué es el aprendizaje profundo (DL)?
El aprendizaje profundo es un software informático que imita la red de neuronas de un cerebro. Es un subconjunto del aprendizaje automático y se denomina aprendizaje profundo porque hace uso de redes neuronales profundas. La máquina utiliza diferentes capas para aprender de los datos. La profundidad del modelo está representada por la cantidad de capas del modelo. El aprendizaje profundo es el nuevo estado del arte en términos de IA. En el aprendizaje profundo, la fase de aprendizaje se realiza a través de una red neuronal. Una red neuronal es una arquitectura donde las capas se apilan unas sobre otras.
Diferencia entre aprendizaje automático y aprendizaje profundo
A continuación se muestra una diferencia clave entre el aprendizaje profundo y el aprendizaje automático
| Parámetro | Aprendizaje automático (Machine learning & LLM) | Aprendizaje profundo |
|---|---|---|
| Dependencias de datos | Excelentes rendimientos en un conjunto de datos pequeño/mediano | Excelente rendimiento en un gran conjunto de datos |
| Dependencias de hardware | Trabaja en una máquina de gama baja. | Requiere una máquina potente, preferiblemente con GPU: DL realiza una cantidad significativa de multiplicación de matrices |
| Ingeniería de características | Necesidad de comprender las características que representan los datos. | No es necesario comprender cuál es la mejor característica que representa los datos. |
| Tiempo de ejecución | Desde unos minutos hasta horas | Hasta semanas. La red neuronal necesita calcular una cantidad significativa de pesos |
| Interpretabilidad | Algunos algoritmos son fáciles de interpretar (logísticos, árboles de decisión), otros son casi imposibles (SVM, XGBoost) | Difícil a imposible |
¿Cuándo utilizar ML o DL?
En la siguiente tabla resumimos la diferencia entre máquina de aprendizaje e deep learning con ejemplos.
| Parámetro | Aprendizaje automático (Machine learning & LLM) | Aprendizaje profundo |
|---|---|---|
| Conjunto de datos de entrenamiento | Pequeña | Grande |
| Elige características | Sí | No |
| Número de algoritmos | Muchos | Pocos |
| Tiempo de entrenamiento | Short | Largo |
Con el aprendizaje automático, se necesitan menos datos para entrenar el algoritmo que con el aprendizaje profundo. El aprendizaje profundo requiere un conjunto de datos extenso y diverso para identificar la estructura subyacente. Además, el aprendizaje automático proporciona un modelo que se entrena más rápido. La mayoría de las arquitecturas de aprendizaje profundo más avanzadas pueden tardar días o una semana en entrenarse. La ventaja del aprendizaje profundo sobre el aprendizaje automático es que es muy preciso. No es necesario comprender qué características son la mejor representación de los datos; la red neuronal aprendió a seleccionar características críticas. En el aprendizaje automático, debe elegir por sí mismo qué características incluir en el modelo.
Proceso de aprendizaje automático
Imagine que debe crear un programa que reconozca objetos. Para entrenar el modelo, utilizará un clasificador. Un clasificador utiliza las características de un objeto para intentar identificar la clase a la que pertenece.
En el ejemplo, el clasificador será entrenado para detectar si la imagen es:
- Bicicleta
- Barco
- Autos
- Avión
Los cuatro objetos anteriores son la clase que el clasificador debe reconocer. Para construir un clasificador, necesita tener algunos datos como entrada y asignarles una etiqueta. El algoritmo tomará estos datos, encontrará un patrón y luego lo clasificará en la clase correspondiente.
Esta tarea se llama aprendizaje supervisado. En el aprendizaje supervisado, los datos de entrenamiento que ingresa al algoritmo incluyen una etiqueta.
Entrenar un algoritmo requiere seguir algunos pasos estándar:
- Recoge los datos
- Entrenar al clasificador
- Hacer predicciones
El primer paso es necesario, elegir los datos correctos hará que el algoritmo tenga éxito o fracase. Los datos que elige para entrenar el modelo se denominan . En el ejemplo del objeto, las características son los píxeles de las imágenes.
Cada imagen es una fila de los datos, mientras que cada píxel es una columna. Si su imagen tiene un tamaño de 28 × 28, el conjunto de datos contiene 784 columnas (28 × 28). En la siguiente imagen, cada imagen se ha transformado en un vector de características. La etiqueta le dice a la computadora qué objeto hay en la imagen.
El objetivo es utilizar estos datos de entrenamiento para clasificar el tipo de objeto. El primer paso consiste en crear las columnas de características. Luego, el segundo paso consiste en elegir un algoritmo para entrenar el modelo. Cuando finalice el entrenamiento, el modelo predecirá qué imagen corresponde a qué objeto.
Después de eso, es fácil utilizar el modelo para predecir nuevas imágenes. Para cada nueva imagen que se introduzca en el modelo, la máquina predecirá la clase a la que pertenece. Por ejemplo, una imagen completamente nueva sin etiqueta está pasando por el modelo. Para un ser humano, es trivial visualizar la imagen como un coche. La máquina utiliza sus conocimientos previos para predecir también que la imagen es un coche.
Proceso de aprendizaje profundo
En el aprendizaje profundo, la fase de aprendizaje se realiza a través de una red neuronal. Una red neuronal es una arquitectura en la que las capas se apilan unas sobre otras.
Considere el mismo ejemplo de imagen anterior. El conjunto de entrenamiento se alimentaría a una red neuronal.
Cada entrada ingresa a una neurona y se multiplica por un peso. El resultado de la multiplicación fluye a la siguiente capa y se convierte en la entrada. Este proceso se repite para cada capa de la red. La capa final se denomina capa de salida; proporciona un valor real para la tarea de regresión y una probabilidad de cada clase para la tarea de clasificación. La red neuronal utiliza un algoritmo matemático para actualizar los pesos de todas las neuronas. La red neuronal está completamente entrenada cuando el valor de los pesos proporciona un resultado cercano a la realidad. Por ejemplo, una red neuronal bien entrenada puede reconocer el objeto en una imagen con mayor precisión que la red neuronal tradicional.
Automatizar la extracción de funciones usando DL
Un conjunto de datos puede contener entre una docena y cientos de funciones. El sistema aprenderá de la relevancia de estas características. Sin embargo, no todas las características son significativas para el algoritmo. Una parte crucial del aprendizaje automático es encontrar un conjunto relevante de características para que el sistema aprenda algo.
Una forma de realizar esta parte del aprendizaje automático es utilizar la extracción de características. La extracción de características combina características existentes para crear un conjunto de características más relevante. Se puede realizar con PCA, T-SNE o cualquier otro algoritmo de reducción de dimensionalidad.
Por ejemplo, en el procesamiento de imágenes, el profesional necesita extraer manualmente las características de la imagen, como los ojos, la nariz, los labios, etc. Esas características extraídas se alimentan al modelo de clasificación.
El aprendizaje profundo resuelve este problema, especialmente en el caso de una red neuronal convolucional. La primera capa de una red neuronal aprenderá pequeños detalles de la imagen; las capas siguientes combinarán el conocimiento previo para generar información más compleja. En la red neuronal convolucional, la extracción de características se realiza mediante el uso del filtro. La red aplica un filtro a la imagen para ver si hay una coincidencia, es decir, si la forma de la característica es idéntica a una parte de la imagen. Si hay una coincidencia, la red utilizará este filtro. Por lo tanto, el proceso de extracción de características se realiza automáticamente.
Resum
Inteligencia Artificial es impartir una capacidad cognitiva a una máquina. Al comparar la IA con el aprendizaje automático, los primeros sistemas de IA utilizaban sistemas expertos y de coincidencia de patrones.
La idea detrás del aprendizaje automático es que la máquina puede aprender sin intervención humana. La máquina necesita encontrar una manera de aprender a resolver una tarea teniendo en cuenta los datos.
El aprendizaje profundo es el gran avance en el campo de la inteligencia artificial. Cuando hay suficientes datos para entrenar, el aprendizaje profundo logra resultados impresionantes, especialmente para el reconocimiento de imágenes y la traducción de textos. La razón principal es que la extracción de características se realiza automáticamente en las diferentes capas de la red.
