¿Qué es el aprendizaje automático?
El aprendizaje automático es un subcampo de la inteligencia artificial que trata de algoritmos informáticos que pueden mejorarse a sí mismos mediante el entrenamiento de los datos sin programación explícita. Se considera ampliamente el camino más prometedor para lograr una verdadera inteligencia artificial como la humana.
Los algoritmos de aprendizaje automático pueden clasificarse ampliamente en tres categorías:
- Aprendizaje supervisado: Usted proporciona etiquetas y presenta entradas de ejemplo con sus salidas deseadas y permite que el algoritmo aprenda las reglas que asignan las entradas a las salidas.
- Aprendizaje sin supervisión: No proporciona ninguna etiqueta, por lo que el algoritmo puede encontrar su propia estructura para procesar las entradas (por ejemplo, descubrir patrones ocultos en los datos).
- Aprendizaje de refuerzo: El algoritmo interactúa repetidamente con un entorno dinámico con un objetivo específico, como ganar un juego o conducir un coche. El algoritmo aproxima la solución óptima al problema mediante pruebas y errores repetidos.
En este artículo, le daremos una breve descripción general del aprendizaje automático y el aprendizaje profundo y las diferencias entre los dos conceptos.
¿Qué es el aprendizaje profundo?
El aprendizaje profundo es una rama del aprendizaje automático que utiliza redes neuronales artificiales para aproximarse a la inteligencia humana. Inspirado en las neuronas humanas, el aprendizaje profundo utiliza la teoría de gráficos para organizar los algoritmos de ponderación en capas de nodos y bordes. Los algoritmos de aprendizaje profundo son excelentes para procesar datos no estructurados, como imágenes o lenguaje.
Técnicamente, para clasificarse como “profunda”, una red neuronal debe contener capas ocultas entre las capas de entrada y salida de un perceptor —la estructura base de una red neuronal—. Estas capas se consideran “ocultas” porque no tienen conexión con el mundo exterior. Algunos ejemplos de arquitecturas de aprendizaje profundo son:
- Feed-forward (FF): los datos pasan en una dirección desde la capa de entrada a través de las capas ocultas y hacia fuera de la capa de salida —todos los nodos están conectados y los datos nunca retroceden a través de las capas ocultas—. FF se utiliza en la compresión de datos y el procesamiento básico de imágenes.
- Redes neuronales recurrentes (RNN): un tipo de red FF que añade un retardo de tiempo a las capas ocultas, lo que permite acceder a la información anterior durante una iteración actual. Este bucle de retroalimentación se aproxima a la memoria y hace que los RNN sean excelentes para el procesamiento del lenguaje. Un buen ejemplo de ello es el texto predictivo, que se basa en las palabras que utiliza con más frecuencia para adaptar sus sugerencias.
- Redes neuronales convolucionales (CNN): una convolución es una operación matemática en dos funciones que produce una tercera función que describe cómo una es modificada por la otra. Utilizadas principalmente para el reconocimiento y la clasificación de las imágenes, las CNN son los “ojos” de la IA. Las capas ocultas de una CNN actúan como filtros matemáticos usando sumas ponderadas para identificar los límites, el color, el contraste y otros elementos de un píxel.