糖心vlog官网观看

Read in English. (Leer en ingl茅s.)

Aun si no est谩s involucrado en el mundo de las ciencias de datos, es probable que hayas escuchado los t茅rminos inteligencia artificial (IA), aprendizaje autom谩tico (machine learning) y aprendizaje profundo (deep learning) en los 煤ltimos a帽os. A veces, se utilizan indistintamente. Aunque est谩n relacionados, cada uno de estos t茅rminos tiene su propio significado, y son algo m谩s que palabras de moda utilizadas para describir los carros aut贸nomos.

En t茅rminos generales, el deep learning es un subconjunto del machine learning, y el machine learning es un subconjunto de la IA. Se puede pensar en ellos como una serie de c铆rculos conc茅ntricos superpuestos, en los que la IA ocupa el m谩s grande, seguido del aprendizaje autom谩tico y luego del aprendizaje profundo. En otras palabras, el aprendizaje profundo es la IA, pero la IA no es el aprendizaje profundo.

Aprendizaje profundo vs. aprendizaje autom谩tico

Gracias a las representaciones de la cultura pop, desde 2001: Una Odisea del Espacio (2001: A Space Odyssey) hasta The Terminator, muchos de nosotros tenemos alg煤n concepto de la IA. Oxford Languages define la IA como "la teor铆a y el desarrollo de sistemas inform谩ticos capaces de realizar tareas que normalmente requieren inteligencia humana". Brit谩nica ofrece una definici贸n similar: "la capacidad de un ordenador digital o de un robot controlado por ordenador para realizar tareas com煤nmente asociadas con seres inteligentes."

El aprendizaje autom谩tico y el aprendizaje profundo son ambos tipos de IA. En resumen, machine learning es la IA que puede adaptarse autom谩ticamente con una m铆nima interferencia humana. Deep learning es un subconjunto del aprendizaje autom谩tico que utiliza redes neuronales artificiales para imitar el proceso de aprendizaje del cerebro humano.

Mira estas diferencias clave antes de profundizar en ellas:

驴Qu茅 es el procesamiento del lenguaje natural (NLP)?

El procesamiento del lenguaje natural (natural language processing) (NLP) es otra rama del machine learning que se ocupa de c贸mo las m谩quinas pueden entender el lenguaje humano. Puedes encontrar este tipo de machine learning en tecnolog铆as como los asistentes virtuales (p. ej. Siri, Alexa y Google Assist), los chatbots empresariales y el software de reconocimiento de voz.

驴Qu茅 es la inteligencia artificial (IA)?

En su nivel m谩s b谩sico, el campo de la inteligencia artificial utiliza la inform谩tica y los datos para permitir la resoluci贸n de problemas en las m谩quinas.听

Aunque todav铆a no tenemos robots similares a los humanos que intenten dominar el mundo, tenemos ejemplos de IA en nuestros alrededores. Pueden ser tan sencillos como un programa inform谩tico capaz de jugar al ajedrez o tan complejos como un algoritmo capaz de predecir la estructura del RNA de un virus para ayudar a desarrollar vacunas.听

Deep Blue, la computadora que juega al ajedrez聽

Antes de que se desarrollara el aprendizaje autom谩tico, las m谩quinas o programas artificialmente inteligentes deb铆an programarse para responder a un conjunto limitado de entradas. Deep Blue, una computadora que jugaba al ajedrez y que venci贸 al campe贸n del mundo en 1997, pod铆a "decidir" su siguiente movimiento bas谩ndose en una amplia biblioteca de posibles jugadas y resultados. Pero el sistema era puramente reactivo. Para que Deep Blue mejorara en el juego del ajedrez, los programadores ten铆an que a帽adir m谩s funciones y posibilidades.

Para que una m谩quina o un programa mejore por s铆 mismo sin la intervenci贸n de programadores humanos, necesitamos el aprendizaje autom谩tico.

驴Qu茅 es machine learning?

Machine learning se refiere al estudio de los sistemas inform谩ticos que aprenden y se adaptan autom谩ticamente a partir de la experiencia, sin ser programados expl铆citamente.

Con la IA simple, un programador puede decirle a una m谩quina c贸mo responder a varios conjuntos de instrucciones codificando a mano cada "decisi贸n". Con los modelos de aprendizaje autom谩tico, los inform谩ticos pueden "entrenar" a una m谩quina aliment谩ndola con grandes cantidades de datos. La m谩quina sigue un conjunto de reglas鈥攍lamado algoritmo鈥攑ara analizar y generar conclusiones de los datos. Cuantos m谩s datos analice la m谩quina, mejor podr谩 realizar una tarea o tomar una decisi贸n.

Este es un ejemplo que quiz谩 conozcas: El servicio de streaming de m煤sica Spotify aprende tus preferencias musicales para ofrecerte nuevas sugerencias. Cada vez que indicas que te gusta una canci贸n escuch谩ndola hasta el final o a帽adi茅ndola a tu biblioteca, el servicio actualiza sus algoritmos para ofrecerte recomendaciones m谩s precisas. Netflix y Amazon utilizan algoritmos de aprendizaje autom谩tico similares para ofrecer recomendaciones personalizadas.

IBM Watson, el primo de Deep Blue en machine learning

En 2011, IBM Watson venci贸 a dos campeones de Jeopardy en una partida de exhibici贸n utilizando el aprendizaje autom谩tico.

Los programadores de Watson le dieron miles de pares de preguntas y respuestas, as铆 como ejemplos de respuestas correctas. Cuando se le daba solo una respuesta, la m谩quina estaba programada para dar con la pregunta correspondiente. Si se equivocaba, los programadores la correg铆an. Esto permit铆a a Watson modificar sus algoritmos o, en cierto modo, "aprender" de sus errores.

Cuando Watson se enfrent贸 a los campeones de Jeopardy, en cuesti贸n de segundos era capaz de analizar 200 millones de p谩ginas de informaci贸n y generar una lista de posibles respuestas, clasificadas seg煤n la probabilidad de que fueran correctas, aunque nunca hubiera visto la pista de Jeopardy en cuesti贸n.

驴Qu茅 es deep learning?

Mientras que los algoritmos de machine learning suelen necesitar la correcci贸n humana cuando se equivocan, los algoritmos de deep learning pueden mejorar sus resultados mediante la repetici贸n, sin intervenci贸n humana. Un algoritmo de machine learning puede aprender de conjuntos de datos relativamente peque帽os, pero un algoritmo de deep learning requiere grandes conjuntos de datos que pueden incluir datos diversos y no estructurados.

Piense en deep learning como una evoluci贸n del machine learning. Deep learning es una t茅cnica de machine learning que coloca en capas algoritmos y unidades de c谩lculo鈥攐 neuronas鈥攅n lo que se denomina una red neuronal artificial. Estas redes neuronales profundas se inspiran en la estructura del cerebro humano. Los datos pasan a trav茅s de esta red de algoritmos interconectados de forma no lineal, de forma muy parecida a como nuestro cerebro procesa la informaci贸n.听

AlphaGo, un descendiente m谩s de Deep Blue

AlphaGo fue el primer programa que venci贸 a un jugador de Go humano, as铆 como el primero en vencer a un campe贸n mundial de Go en 2015. El Go es un juego de mesa de 3,000 a帽os de antig眉edad originario de China y conocido por su compleja estrategia. Es mucho m谩s complicado que el ajedrez, con 10 a la potencia de 170 configuraciones posibles en el tablero.

Los creadores de AlphaGo comenzaron introduciendo el programa en varias partidas de Go para ense帽arle la mec谩nica. Luego empez贸 a jugar contra diferentes versiones de s铆 mismo miles de veces, aprendiendo de sus errores despu茅s de cada partida. AlphaGo lleg贸 a ser tan bueno que se sabe que los mejores jugadores humanos del mundo estudian sus ingeniosos movimientos.

La 煤ltima versi贸n del algoritmo AlphaGo, conocida como MuZero, puede dominar juegos como el Go, el ajedrez y el Atari sin necesidad de que le digan las reglas.

驴Qu茅 pasa con el big data?

El t茅rmino big data se refiere a conjuntos de datos que son demasiado grandes para que las bases de datos relacionales tradicionales y el software de procesamiento de datos puedan gestionarlos. Las empresas generan cada d铆a cantidades de datos sin precedentes. Deep learning es una forma de obtener valor de esos datos.

Lee m谩s: 驴Qu茅 es big data? Gu铆a para profanos

Entra al mundo de la IA y el machine learning

Si esta introducci贸n a la IA, el deep learning y el machine learning ha despertado tu inter茅s, AI for Everyone es un curso dise帽ado para ense帽ar los fundamentos de la IA a estudiantes sin formaci贸n t茅cnica.

Para obtener conocimientos m谩s avanzados y una amplia introducci贸n a los conceptos del machine learning, comienza con el curso de Machine Learning de Andrew Ng. Luego, aprende a crear aplicaciones inteligentes con la Especializaci贸n en machine learning. Por 煤ltimo, construye y entrena redes neuronales artificiales en la Especializaci贸n en deep learning.

Cuando est茅s listo, comienza a desarrollar las habilidades necesarias para un papel de nivel de entrada como cient铆fico de datos con el Certificado profesional de ciencia de datos de IBM, y sigue practicando tus habilidades con estos proyectos pr谩cticos listos para el portafolio:

• Pipelines de machine learning con Azure ML Studio: Construye una tuber铆a de machine learning de extremo a extremo utilizando datos del censo de ingresos de adultos.

• Detectando el COVID-19 con radiograf铆a de t贸rax utilizando PyTorch: Entrena una red neuronal residual (RNN) utilizando un conjunto de datos de radiograf铆a.听

• Detecci贸n de noticias falsas con aprendizaje autom谩tico: Entrena un modelo de deep learning para detectar noticias falsas a partir de un corpus de noticias.

• An谩lisis de sentimientos con deep learning utilizando BERT: Explora los conceptos del NLP mientras analizas un conjunto de datos para el an谩lisis de sentimientos.

Preguntas frecuentes (FAQ)