AHORA NUESTROS CURSOS TAMBIÉN ONLINE
ONLINE
Contactar
Menu
ALUMNOS
Contactar

Machine Learning vs Deep Learning

9 de junio de 2020 12:38:35 CEST

Cuando comenzamos ahondar en los avances tecnológicos computacionales como la inteligencia artificial (IA), la ciencia de los datos o el big data, encontramos múltiples definiciones.

Además, muchas veces aparecen también relacionados los términos Machine learning y Deep learning, lo que nos lleva a preguntarnos, ¿qué son y para qué sirven?, ¿son lo mismo?, ¿cuál es su relación?, ¿son dependientes uno del otro? Así como otras preguntas similares. 

Para comprender su definición, el primer paso es saber que son campos de investigación que forman parte del área de la IA (Inteligencia Artificial). Ambos han evolucionado con el paso de los años, y por consiguiente también lo han hecho sus definiciones; por tal razón, su relación y significado llegan a causar confusión.

Para abordar las definiciones, características y diferencias de estos campos, es necesario conocer qué es un algoritmo, dado que es la materia prima de la inteligencia artificial, y por ende del Machine learning y Deep learning.

¿Qué es un algoritmo?

Un algoritmo es un conjunto de instrucciones que solucionan un problema. Estas instrucciones deben de ser finitas, ordenadas y lógicas, en otras palabras, no pueden ser un número infinito de instrucciones, son secuenciales y deben de carecer de ambigüedad.

Cuando se diseña un algoritmo que cumple con estas características, es posible programarlo en un ordenador, el cual podrá seguir dichas instrucciones y solucionar un problema dado. Una buena analogía es una receta de cocina, ya que cumple con ser un conjunto de instrucciones finitas, secuenciales y lógicas, con el objetivo de preparar un plato. 

Pero, ¿qué es la inteligencia artificial?

Partiendo del punto en la historia en el que se formalizó la teoría de la computación, área donde se investiga el diseño de procesos que puedan solucionar problemas (representados matemáticamente) y automatizar dichos procesos a través de ordenadores, se observó cómo los ordenadores tenían la capacidad de resolver problemas y en muchas ocasiones superaban la capacidad de los humanos. 

Se comparó la capacidad de estos ordenadores con la inteligencia humana y surgió la siguiente pregunta, ¿son inteligentes los ordenadores? Iniciando el debate. 

Desde una perspectiva psicológica, existen múltiples inteligencias y definiciones, dependiendo de contextos y las ciencias que estudian dicho concepto. Por lo que no existe una definición exacta de inteligencia artificial. 

En principio, podemos decir que, la inteligencia artificial, es un nuevo campo de investigación dentro de la informática que se dedica a diseñar algoritmos que solucionan problemas a través del aprendizaje del ordenador. Cada algoritmo cuenta con sus propios métodos y características, y debido a lo anterior, tienen diferentes desempeños para resolver determinados problemas. 

En los últimos 50 años de historia humana, se han diseñado una gran cantidad de algoritmos, a los que se les puede llamar “inteligentes”, y al existir tantos es necesario categorizarlos de acuerdo a sus propiedades y a los tipos de problemas que pueden solucionar. La categoría más conocida y sobresaliente en los últimos años es el aprendizaje máquina o Machine learning en inglés. 

¿A qué llamamos Machine Learning?

Es un subcampo de la inteligencia artificial, cuenta con algoritmos capaces de analizar datos, aprender de ellos y realizar diferentes tareas como por ejemplo: clasificación, predicción y agrupaciones de patrones, entre otras. Este proceso se realiza a través de un gran conjunto de datos, con los cuales se puede entrenar a dichos algoritmos.

Dentro del machine learning, tenemos dos grandes agrupaciones: el aprendizaje supervisado y el no supervisado. 

El aprendizaje supervisado

En el siguiente gráfico podemos observar a grandes rasgos cómo funciona el aprendizaje supervisado, donde se tiene un conjunto de datos etiquetados para entrenar al algoritmo, y lo que buscamos es que dicho algoritmo evalúe un patrón desconocido, y decida la clase a la que pertenece

Por ejemplo, si queremos clasificar a qué temporada de moda pertenece una prenda, lo que necesitamos es tener un conjunto de prendas con sus características y etiquetadas de acuerdo a la temporada a la que pertenecen: temporada primavera/verano o temporada  otoño/invierno. Dichas características pueden ser: color, material, textura, diseño, marca, tipo de planchado, entre otros. 

Con esta información, podemos entrenar al algoritmo de aprendizaje supervisado para que sea capaz de decidir a qué temporada pertenece una prenda sin haberla conocido antes. En el siguiente diagrama se puede observar el proceso anterior resumido en bloques.

aprendizaje_supervisado_data_science

El aprendizaje no supervisado

En el caso de los algoritmos no supervisados, su tarea es encontrar relaciones entre patrones que no se encuentran previamente etiquetados. En el caso del ejemplo anterior, si la ropa no estuviera etiquetada por temporada de moda, el algoritmo tendría que etiquetar por sí mismo las prendas de la temporada otoño/invierno y diferenciarlas de la otra clase. 

Cabe resaltar que muchos de los algoritmos que conforman este campo se crearon hace años, pero debido a la poca capacidad computacional y falta de datos no era posible su utilización.

Entonces, ¿qué es el Deep learning?

Surge de la búsqueda de simular el proceso de aprendizaje de los humanos utilizando los conocimientos que se tienen del funcionamiento de las redes neuronales en el cerebro. De esta manera se intentó que los ordenadores aprendieran de igual forma que los humanos

La primera red neuronal artificial se creó en 1943 por el neurólogo Warren McCulloch, y Walter Harry Pitts, que se dedicaba a la neurociencia computacional. A partir de este momento, se publicaron varios trabajos relevantes, pero no fue hasta la década de los 80s que comenzaron a tener gran relevancia en el mundo de la investigación, y fue en estos  últimos años cuando entraron en la práctica empresarial. 

Una red neuronal está compuesta por un conjunto de neuronas conectadas entre ellas, cada neurona tiene la capacidad de aprender y transmitir ese conocimiento a otras neuronas.  En la siguiente imagen se puede observar cómo es una red, donde los puntos rojos representan las neuronas y las líneas blancas la conexión entre ellas. 

red_neuronal_deep_learning_neoland

Debido a que, en los últimos años, se incrementó el poder computacional y de almacenamiento, ha sido posible crear redes neuronales artificiales con cientos de miles de neuronas, lo que ha llevado a llamar al campo de investigación que se dedica al estudio de estas redes aprendizaje profundo o Deep learning en inglés. 

Actualmente, el Deep learning se encuentra dentro del campo del Machine Learning debido a que las redes neuronales resuelven el mismo tipo de problemas que los algoritmos de dicho campo, sin embargo, está creciendo tanto el área y generando tantas nuevas ramas de investigación, que pronto podría formar su propio campo dentro de la inteligencia artificial.

Las redes neuronales se utilizan mayormente para resolver problemas de clasificación de imágenes, análisis del lenguaje natural, como el reconocimiento de voz y la creación de texto, por ejemplo, creación de noticias, poemas o microcuentos.


Las aplicaciones de la ciencia de datos son infinitas, puedes ver algún ejemplo en los proyectos de nuestros alumnos de Data Science como por ejemplo la customización de gafas de sol en ecommerces, o la clasificación de música gracias a las redes neuronales.

Si tú también quieres aprender a sacarle todo el jugo a los datos, no dudes en inscribirte a nuestros Data Science Bootcamp.

También te puede interesar

Estos post sobre Data Science

Suscríbete a nuestro email

Todavía no hay comentarios

Dinos que estás pensando