Teoría – ¿Qué son y cómo se vinculan? Deep Learning , Machine Learning y Artificial Inteligence?

image

Deep Learning es un subset de Machine Learning que a su vez es un subset de Artificial Intelligence.

DEEP LEARNING

Deep Learning utiliza capaz de unidades de procesamiento no lineales para extracción de features y transformaciones. Cada capa utiliza el output de la capa anterior como un input. Lo que utilizamos en Deep Learning es algo llamado red neuronal artificial (ANN por sus siglas en inglés).

Resultado de imagen para deep learning what is

¿Qué es Neural Network?

Es un set de simples funciones matemáticas que pueden ser entrenadas para aprender funciones complejas. Consiste en multiples capas (input, hidde, output). La unidad básica es un Artificial Neuron o Nodo. Cada Artificila Neuron tiene  varios input channels. 

MACHINE LEARNING

image

Machine Learning es un subset de Artificial Inteligence, ayuda a utilizar Historical Data para tomar mejores decisiones.
(Imagen) También es un proceso en el cual las máquinas toman la Data, la analizan para generar Predicciones y utilizan esas predicciones para tomar decisiones. Esas predicciones generan resultados y esos datos son utilizados para procesar futuras predicciones.

image

Piénsese Machine Learning como una combinación de métodos y sistemas. Estos métodos y sistemas predicen nueva data, basándose en data, extraen estructuras ocultas,  sumarizan la data  en descripciones concisas, optimizan una acción dada y se adaptan. Machine learning puede hacer “Predicciones” de Datasets muy grandes. También puede optimizar funciones de utilidad, extraer patrones ocultos al clasificar la Data.

El campo de Machine Learning se divide en las siguientes categorias.

image
  • Supervised learning: el input y el output (labels) son conocidos y el modelo aprende a generalizar la salida de estos ejemplos
    • La clasificación de un maestro debe estar presente.
  • Unsupervised learning (self organization): los labels no son conocidos, el modelo encuentra patrones y estructuras de la data sin ninguna ayuda.
    • No hay maestro está completamente basado en información local.
  • Reinforcement learning: el modelo aprende interactuando con el environment y aprende a tomar accion para maximizar la recompensa total.
    • Un software agent determina el comportamiento ideal en un contexto especifico para un problema en particular. El agente toma el input y decide la mejor acción para el problema y toma el feedback para aprender de su comportamiento.

Predicciones soportadas en Amazon ML.

image


Predicciones soportadas:

  • Binary classification: Predice la respuesta a una pregunta del tipo Si/No.
  • Multiclass classification: Predice la categoria correcta de una lista (ejemplo este auto es rojo, verde, azul)
  • Regression: Predice el valor de una variable numérica. (temperatura, unidades)

Machine learning se utiliza en varias formas y a traves de muchas industrias. Para construir Smart Applications con Amazon ML se consideran tres pasos.

  1. Train model: crear un objeto DataSource apuntando a tu Data, explorar y entender los datos y transformar estos datos en entrenar el modelo.
  2. Evaluate and optimize: es necesario comprender Model Quality y ajustar la interpretación del modelo.
  3. Retrieve predictions

ARTIFICIAL INTELLIGENCE

image

AI es comportamiento inteligente de maquinas. Cualquier dispositivo que pueda percibir su ambiente y tomar acciones acorde, tiene AI.
Al utilizar AI una maquina puede simular acciones humanas, como aprender y resolver problemas. Para poder hacer esto, AI utiliza Knowledge Enginering: La maquina necesita el conocimiento de como funciona el mundo, luego procesa y brinda resultados de como afrontar el problema como lo haría un humano. Este ciclo se conoce como el MODELING PROCESS o Procesamiento de Modelado.

0 0 vote
Calificación de la Publicación

tilcaivana

View all posts
Subscribe
Notify of
guest
0 Comentarios
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
()
x