¿Qué es la IA, el ML y el DL?

Productos de Google que utilizan Machine Learning

• Google Fotos: Buscar tus fotos a través de etiquetas, organizar las fotos similares juntas reconociendo la cara de la persona o mejorar la calidad de las imágenes y muchas más…
• Google Translate: Para traducir de un idioma a otro.
• Youtube: Dando recomendaciones en base a unos vídeos que has visto.
• Google Lens: Para buscar la información de manera diferente, utiliza OCR para entender de imágenes o leer los documentos.
• Asistente de Google: Agente conversacional de AI, que puede ayudar a hacer un montón de cosas con sólo invocarlo con «Ok, Google o Hey Google». Es el mejor ejemplo de reconocimiento de voz.
• Gmail: Gmail, tiene características como Smart Reply puede ayudar a reducir su gran cantidad de trabajo, también puede recomendar las próximas palabras en su frase que puede utilizar.

¿Qué es la IA simbólica (o IA clásica)?

Es una rama de la investigación de la IA que se ocupa de intentar representar explícitamente el conocimiento humano en hechos y reglas. Sobre el conjunto dado de reglas y hechos complejos, podemos hacer una máquina que pueda actuar como la inteligencia humana.

Ex: Los primeros juegos de ajedrez, fueron codificados en nuestros PC y pueden jugar con nosotros porque fueron codificados por un conjunto de reglas y hechos.

¿Puede resolver tareas de clasificación de imágenes, reconocimiento de voz?

Aquí viene, el aprendizaje automático

¿Y qué es exactamente el ML?

El arte y la ciencia de :

1. Dar a los ordenadores la capacidad de aprender
2. Tomar decisiones a partir de los datos
3. Sin ser programados explícitamente

Aprendizaje clásico vs aprendizaje automático

En la programación tradicional o programación clásica, le damos el conjunto de reglas y datos y en base a eso nos da las respuestas pertinentes. Codificamos el software para que haga un conjunto específico de tareas. Pero el aprendizaje automático cambia la forma en que estamos trabajando hasta ahora. Toma algunos datos y respuestas y en base a ello hace algunas reglas y hace una tarea específica para la que está hecho.

¿Por qué Machine Learning?

• Demanda global masiva
• ¡Los datos son el poder!
• ¡Es muy divertido!

Resumen de alto nivel para realizar aprendizaje automático

Necesitamos,

• Puntos de datos de entrada
• Ejemplos de la salida esperada
• Una forma de medir si el algoritmo está haciendo «un buen trabajo o no».

Ejemplo,

• Las entradas son las coordenadas de nuestros puntos
• La salida esperada son los colores de los puntos
• Una forma de medir si nuestro algoritmo está haciendo un buen trabajo podría ser, por ejemplo, el porcentaje de puntos que se están clasificando correctamente.

3 Tipos de ML

• Aprendizaje Supervisado: Usando datos etiquetados
• Aprendizaje no supervisado: Uso de datos no etiquetados
• Aprendizaje por refuerzo: Los agentes de software interactúan con un entorno

Para más información sobre ML, consulta este https://medium.com/codingurukul/understanding-machine-learning-114e85cd3f0e

¿Qué es el aprendizaje profundo?

Intro

• Es un subcampo del ML
• Es un marco matemático para el aprendizaje de representaciones a partir de datos
• Una forma multietapa de aprender representaciones de datos.
• Utilizamos «Redes Neuronales», para obtener conocimientos más profundos de nuestros datos apilando diferentes capas unas sobre otras.
• Funciona igual que como lo hace un cerebro humano

¿Por qué el Aprendizaje Profundo?

• Hardware

Debido al aumento de la potencia de cálculo, podemos realizar fácilmente tareas de aprendizaje profundo con más velocidad y en menos tiempo podemos entrenar nuestros modelos de aprendizaje profundo. Todo gracias a la «Nube».

Google también dispone de sus TPUs para realizar tareas de deep learning con la velocidad de más de 10 GPUs de Nvidia Titan X.

• Conjuntos de datos

Con el aumento del uso de internet, se están recopilando los datos en una gran cantidad que pueden ser utilizados en Deep Learning, ya que el deep learning necesita un gran conjunto de datos para realizar mejores resultados.

• Avances algorítmicos

Hay muchos avances en los algoritmos de Deep Learning, debido a la creciente comunidad de Machine Learning. Image Net es un gran ejemplo.

Redes neuronales

El Aprendizaje Profundo se realiza con la ayuda de redes neuronales. Funcionan igual que el cerebro humano. La siguiente imagen muestra la similitud de la neurona biológica con las redes neuronales artificiales.

Se compone de diferentes capas que se apilan entre sí. se compone de diferentes capas que se apilan unas sobre otras para que las redes neuronales aprendan las representaciones y características complejas de los datos.

Ejemplo,

Este ejemplo es de MNIST Dataset, donde pasamos una imagen y pasa por diferentes capas para entender las diferentes representaciones y características complejas de los datos y luego predice el resultado subyacente. La clasificación de imágenes se realiza con la ayuda de las Redes Neuronales Convolucionales.

Para entender más sobre el Aprendizaje Profundo síguenos y visita https://medium.com/@patidarparas13/what-is-deep-learning-efa0cfbbd6a2

Qué ha resuelto el DL,

• Clasificación de imágenes a nivel casi humano
• Reconocimiento de voz a nivel casi humano
• Transcripción de escritura a mano a nivel casi humano
• Mejora de la traducción automática
• Conversión de texto a voz mejorada
• Asistentes digitales como Google Assistant y Amazon Alexa
• Conducción autónoma a nivel casi humano
• Mejora de la segmentación de anuncios, como la que utilizan Google, Baidu y Bing
• Resultados de búsqueda mejorados en la web
• Juego de Go superhumano

¿Qué hace diferente a DL?

Ingeniería de funciones: Porque automatiza completamente lo que solía ser el paso más crucial en un flujo de trabajo de machine-aprendizaje automático