AI, ML, DL!!!!!!!! ¿Cuáles son estas palabras de moda? ¿Por qué se habla en el pueblo de estas siglas? A menudo, las personas usan la inteligencia artificial (IA), el aprendizaje automático (ML) y el aprendizaje profundo (DL) de manera intercambiable. ¿Son iguales o muy diferentes, o existe alguna relación entre ellos? Responderemos a todas sus preguntas aquí e intentaremos comprender cada término uno por uno de la manera más simple posible.

Como se muestra en el Diagrama de Venn anterior, IA es un término general. Es el superconjunto que consta de ML y DL como subconjuntos. AI tiene muchas ramas, como se muestra en la siguiente figura (Fig.2.).

Pero, ¿qué es exactamente la IA?

Si tratamos de explicárselo a un profano, “Inteligencia Artificial” se compone de dos términos bien diferenciados: artificial e inteligencia, lo que refleja muy bien su concepto. A través de la IA, estamos tratando de imitar la inteligencia de un cerebro humano. Para automatizar las tareas del día a día y el trabajo altamente tedioso (ya sea la predicción de que una célula es benigna o maligna o el uso de un chatbot para realizar pedidos en línea o sensores de actividad), a los investigadores se les ocurrió la idea de la IA.

Por ahora, nos concentraremos en la rama “ML” de AI.

Aprendizaje automático (ML)

ML es la rama de la IA que predice resultados sin estar programado explícitamente. Aprende de los datos y luego predice la salida de datos no vistos.

Existen principalmente tres tipos de aprendizaje automático:

1. Aprendizaje supervisado: en el aprendizaje supervisado, proporcionamos un conjunto de datos etiquetados para entrenar los algoritmos. Dividimos el conjunto de datos en un conjunto de entrenamiento y un conjunto de prueba. Generalmente, el conjunto de datos se divide en 80 % y 20 %, es decir, el 80 % de los datos se usa para entrenar y el 20 % restante se usa para probar. También puede haber otras bifurcaciones de datos, como 75% y 25%, y así sucesivamente. Siempre tratamos de entrenar el algoritmo en una fracción de datos más grande. Tratemos de entender más a través de un ejemplo: digamos que tenemos un conjunto de datos como el siguiente:

2. Aprendizaje no supervisado: en este tipo de ML, se utilizan datos sin etiquetar . Los algoritmos analizan y luego agrupan los conjuntos de datos sin etiquetar. Los algoritmos identifican los patrones ocultos en los datos. Podemos ver en la Fig.4. que los puntos de datos se distinguen en tres grupos que se muestran con puntos azules, naranjas y verdes. Hay varios algoritmos de agrupamiento. Uno de los más populares es el algoritmo de agrupamiento K-means. La predicción en este tipo de ML se basa en el clúster al que pertenece el punto de datos. Existen otros enfoques para el aprendizaje no supervisado, que son las reglas de asociación y la reducción de la dimensionalidad.

3. Aprendizaje por refuerzo: en este tipo de aprendizaje, el agente de refuerzo aprende de la experiencia. Realiza una acción y ve el resultado de la acción. Si el resultado es bueno, se da una retroalimentación positiva y una retroalimentación negativa o una penalización por cada mal resultado. Entonces, el agente aprende de estos comentarios. Este tipo de aprendizaje se utiliza en la toma de decisiones secuenciales, como juegos como el ajedrez. Por ejemplo, AlphaGo se basa en el aprendizaje por refuerzo. Con la ayuda de RL, se convirtió en el primer programa de computadora en derrotar a jugadores humanos profesionales y, por lo tanto, se convirtió en el jugador de Go más fuerte de la historia.

Aprendizaje profundo (DL)

Deep Learning es un subconjunto de ML inspirado en la neurona en un cerebro humano. Funciona en redes neuronales. DL utiliza una estructura en capas de nodos interconectados (neuronas en el cerebro humano). El número de capas de nodos interconectados también se denomina profundidad. Debería haber más de tres capas para un algoritmo de aprendizaje profundo. El siguiente es un diagrama que muestra una red neuronal profunda.

El aprendizaje profundo se utiliza ampliamente en el reconocimiento de imágenes, la traducción de voz a texto, etc.

Espero que este artículo haya podido ayudarlo con una idea más clara sobre AI, ML y DL.

¡Seguir aprendiendo! ¡Sigue intentándolo! ¡Continúa creciendo! :)