Innovación: Conoce la diferencia entre Deep learning’ y ‘machine learning

Manos sosteniendo tablet

Desde mediados del siglo pasado, la ciencia sueña con hacer pensar a las máquinas. Hoy estamos un poco más cerca de hacer este sueño realidad gracias al machine learning y al deep learning.

En 1956, John McCarthy definió por primera vez la inteligencia artificial (IA) como la ciencia y la ingeniería para hacer máquinas inteligentes, sobre todo programas de computación inteligentes. Aquellos primeros investigadores imaginaban una IA robusta, una máquina con capacidades similares a las de un cerebro humano. Pero esta strong AI todavía está lejos de hacerse realidad.


Banner_frasco-suscripcion-800x250

Desde entonces, el número de técnicas y tecnologías aplicadas de IA (conocidas en inglés como weak o narrow AI) no ha dejado de crecer. Aquí es donde entra en juego el machine learning, que ha ocupado buena parte del desarrollo de los últimos 40 años, y, dentro de este, una tecnología de aprendizaje automático conocida como deep learning.

¿Qué es machine learning o aprendizaje automático?
El desarrollo de las tecnologías de machine learning se ha producido, sobre todo, a partir de 1980. Sin embargo, el concepto fue definido ya en 1959 por el ingeniero de IBM Arthur L. Samuel. Hoy, la compañía informática define el aprendizaje automático (que es como se conoce en castellano) como una rama de la inteligencia artificial que se centra en el uso de datos y algoritmos para imitar la forma en que aprenden los humanos e ir mejorando su precisión de manera gradual.

A grandes rasgos, este conjunto de tecnologías usa algoritmos que son entrenados a través de diferentes métodos estadísticos para analizar datos, aprender de ellos y luego elaborar predicciones o dar sugerencias de posibles soluciones. El machine learning puede enfocarse de diferentes maneras, como el aprendizaje supervisado (el algoritmo recibe datos ya etiquetados y el tipo de respuesta que se espera), el no supervisado (el algoritmo recibe un conjunto de datos sin etiquetar y debe encontrar sus propios patrones) y el aprendizaje por refuerzo (el algoritmo aprende del entorno mediante refuerzos positivos o negativos).

Conoce más aquí


Reciba las últimas noticias de la industria en su casilla:

Suscribirse ✉