Los dispositivos conectados a Internet se denominan dispositivos inteligentes. Prácticamente todo lo relacionado con Internet se conoce como dispositivo inteligente^{(smart device)} . En este contexto, se puede decir que el código que hace que los dispositivos sean MÁS INTELIGENTES,^{(SMARTER – )} para que puedan funcionar con una mínima o sin intervención humana , se basa en Inteligencia Artificial^{(Artificial Intelligence)} (IA). Los otros dos, a saber: Machine Learning (ML) y Deep Learning (DL), son diferentes tipos de algoritmos creados para brindar más capacidades a los dispositivos inteligentes. Veamos AI vs ML vs DL en detalle a continuación para comprender qué hacen y cómo están conectados a AI.

¿Qué es la Inteligencia Artificial con respecto a ML y DL?

La IA puede denominarse un superconjunto de procesos de aprendizaje automático^{(Machine Learning)} (ML) y procesos de aprendizaje profundo^{(Deep Learning)} (DL). AI generalmente es un término general que se usa para ML y DL. Deep Learning es nuevamente, un subconjunto de Machine Learning (ver imagen arriba).

Algunos argumentan que Machine Learning ya no es parte de la IA universal. Dicen que ML es una ciencia completa por derecho propio y, por lo tanto, no es necesario llamarlo con referencia a la Inteligencia Artificial^{(Artificial Intelligence)} . La IA se nutre de los datos: Big Data . Cuantos más datos consume, más preciso es. No es que siempre va a predecir correctamente. Habrá banderas falsas también. La IA se entrena en estos errores y se vuelve mejor en lo que se supone que debe hacer, con o sin supervisión humana.

La inteligencia artificial no se puede definir correctamente, ya que ha penetrado en casi todas las industrias y afecta a demasiados tipos de procesos y algoritmos (empresariales). Podemos decir que la Inteligencia^{(Intelligence)} Artificial se basa en la Ciencia de Datos^{(Data Science)} (DS: Big Data ) y contiene el Aprendizaje Automático^{(Machine Learning)} como su parte diferenciada. Asimismo^(Likewise) , Deep Learning es una parte distinta de Machine Learning .

De la forma en que se inclina el mercado de TI, el futuro estaría dominado por dispositivos inteligentes conectados, llamados Internet de las cosas (IoT)^{(Internet of Things (IoT))} . Los dispositivos inteligentes^(Smart) significan inteligencia artificial: directa o indirectamente. Ya estás utilizando la inteligencia artificial (IA) en muchas tareas de tu vida diaria. Por ejemplo, escribir en el teclado de un teléfono inteligente que sigue mejorando en "sugerencia de palabras". Entre otros ejemplos en los que, sin saberlo, está tratando con inteligencia artificial,^{(Artificial Intelligence)} se encuentran la búsqueda de cosas en Internet , las compras en línea y, por supuesto, las bandejas de entrada de correo electrónico siempre inteligentes de Gmail y Outlook .

¿Qué es el aprendizaje automático?

El aprendizaje^(Learning) automático es un campo de la inteligencia artificial^{(Artificial Intelligence)} donde el objetivo es hacer que una máquina (o una computadora o un software) aprenda y se entrene a sí misma sin mucha programación. Dichos dispositivos necesitan menos programación ya que aplican métodos humanos para completar tareas, incluido el aprendizaje de cómo desempeñarse mejor. Básicamente^(Basically) , ML significa programar un poco una computadora/dispositivo/software y permitir que aprenda por sí mismo.

Existen varios métodos para facilitar el aprendizaje automático^{(Machine Learning)} . De ellos, los siguientes tres se utilizan ampliamente:

1. supervisado,
2. sin supervisión, y
3. Aprendizaje reforzado.

Aprendizaje supervisado en aprendizaje automático^{(Machine Learning)}

Supervisado en el sentido de que los programadores primero proporcionan a la máquina datos etiquetados y respuestas ya procesadas. Aquí, las etiquetas significan los nombres de las filas o columnas en una base de datos u hoja de cálculo. Después de alimentar grandes conjuntos de dichos datos a la computadora, está lista para analizar más conjuntos de datos y proporcionar resultados por sí solo. Eso significa que le enseñaste a la computadora cómo analizar los datos que se le suministraron.

Por lo general, se confirma utilizando la regla 80/20. Se alimentan enormes^(Huge) conjuntos de datos a una computadora que prueba y aprende la lógica detrás de las respuestas. El 80 por ciento de los datos de un evento se envían a la computadora junto con las respuestas. El 20 por ciento restante se alimenta sin respuestas para ver si la computadora puede generar los resultados adecuados. Este 20 por ciento se usa para cotejar para ver cómo está aprendiendo la computadora (máquina).

Aprendizaje automático no supervisado

El aprendizaje no supervisado ocurre cuando la máquina se alimenta con conjuntos de datos aleatorios que no están etiquetados ni ordenados. La máquina tiene que averiguar cómo producir los resultados. Por ejemplo, si le ofreces pelotas de béisbol de diferentes colores, debería poder categorizarlas por colores. Así, en el futuro, cuando a la máquina se le presente una nueva pelota de softbol, ​​podrá identificar la pelota con etiquetas ya presentes en su base de datos. No hay datos de entrenamiento en este método. La máquina tiene que aprender por sí misma.

Aprendizaje reforzado

Las máquinas que pueden tomar una secuencia de decisiones entran en esta categoría. Luego hay un sistema de recompensas. Si la máquina hace bien lo que quiere el programador, obtiene una recompensa. La máquina está programada de manera que anhela las máximas recompensas. Y para conseguirlo resuelve problemas ideando diferentes algoritmos en diferentes casos. Eso significa que la computadora de IA utiliza métodos de prueba y error para obtener resultados.

Por ejemplo, si la máquina es un vehículo autónomo, debe crear sus propios escenarios en la carretera. No hay manera de que un programador pueda programar cada paso ya que él o ella no pueden pensar en todas las posibilidades cuando la máquina está en el camino. Ahí es donde entra en juego el aprendizaje por refuerzo^{(Reinforcement Learning)} . También puede llamarlo IA de prueba y error.

¿En qué se diferencia el aprendizaje profundo del aprendizaje automático?^{(Machine Learning)}

Deep Learning es para tareas más complicadas. Deep Learning es un subconjunto de Machine Learning . Solo que contiene más redes neuronales que ayudan a la máquina en el aprendizaje. Las redes neuronales hechas por el hombre no son nuevas . ^(Manmade)Los laboratorios^(Labs) de todo el mundo están tratando de construir y mejorar las redes neuronales para que las máquinas puedan tomar decisiones informadas. Debes haber oído hablar de Sophia , una humanoide en Arabia^(Saudi) a la que se le proporcionó la ciudadanía regular. Las redes neuronales son como los cerebros humanos, pero no tan sofisticadas como el cerebro.

Hay algunas buenas redes que proporcionan un aprendizaje profundo no supervisado. Se puede decir que Deep Learning es más redes neuronales que imitan al cerebro humano. Aún así, con suficientes datos de muestra, los algoritmos de aprendizaje profundo^{(Deep Learning)} se pueden usar para recoger detalles de los datos de muestra. Por ejemplo, con una máquina con procesador de imágenes DL, es más fácil crear rostros humanos con emociones que cambian de acuerdo con las preguntas que se le hacen a la máquina.

Lo anterior explica AI vs MI vs DL en un lenguaje más sencillo. AI y ML son campos amplios, que recién se están abriendo y tienen un potencial tremendo. Esta es la razón por la que algunas personas están en contra del uso de Machine Learning y Deep Learning en Inteligencia Artificial^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are called smart deviceѕ. Pretty much everything related to the Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• SMS Organizer: SMS Application impulsado por Machine Learning

• Hechos y mitos sobre Artificial Intelligence

• ¿Qué es profundo Learning and Neural Network?

• Best Free Artificial Intelligence software para Windows 10

• Cómo instalar Drupal usando WAMP en Windows

• ¿Qué es la Big Data - una explicación simple con Example?

• Best Laptop Tables para comprar en línea

• Whiteboard Fox es un online whiteboard gratuito que permite real-time sharing

• Que es Blue Whale Challenge Dare Game

• ¿Qué es Silly Window Syndrome - Explanation and Prevention

• Las mejores herramientas para enviar SMS gratis de su computadora

• Online Reputation Management Tips, Tools & Services

• Cómo proteger la contraseña y proteger los documentos PDf con LibreOffice

• Nine Nostalgic Tech Sounds probablemente no hayas escuchado en años

• Video Etiqueta de conferencia, consejos y reglas que necesita para seguir

• ¿Qué son las tarjetas 'chip and PIN' o EMV Credit

• NASA's Eyes te ayuda a explorar el Universe como Astronauts

• Automate.io es una alternativa automation tool and IFTTT gratuita

• Fix Partner no se conectó al error del enrutador en TeamViewer en Windows 10

• ¿Qué significa NFT y cómo crear NFT Digital Art?