Introducción a la Inteligencia Artificial, Machine Learning y Deep learning

Este artículo sienta las bases para AI, ML y DL.

¿Qué es AI/ML/DL?

• El aprendizaje profundo (DL) es parte del aprendizaje automático (ML) y el aprendizaje automático es parte de la inteligencia artificial. Entonces,
• La inteligencia artificial es un campo amplio que crea máquinas inteligentes. Mientras que Machine Learning se centra principalmente en algoritmos y modelos que aprenden usando datos. Por otro lado, el aprendizaje profundo utiliza una red neuronal para procesar y analizar datos complejos y es una forma especializada de aprendizaje automático.
• En resumen, estos tres campos están interconectados. Y debido a que permitieron que las máquinas realizaran tareas que alguna vez se pensó que eran exclusivas de los humanos, varias industrias recolonizaron.

Historia :

La historia de AI/ML y DL abarca varias décadas. dentro de este período de tiempo, estos tres campos marcan hitos y avances significativos.

La inteligencia artificial llega en 1950.

1. Fundación temprana de Ai (décadas de 1950 a 1960)

• John McCarthy acuñó el término “Inteligencia artificial en 1950. Y el Ai fue establecido oficialmente.
• Los investigadores se centraron en desarrollar sistemas basados ​​en reglas y razonamiento simbólico, con el objetivo de crear máquinas capaces de resolver problemas de forma similar a los humanos.
• La Conferencia de Dartmouth en 1956 a menudo se considera el lugar de nacimiento de la IA, donde los investigadores se reunieron para discutir el potencial de crear máquinas inteligentes.

2. AI invierno (décadas de 1970 a 1980)

• El progreso en la investigación de la IA enfrentó desafíos y desilusión debido a las altas expectativas y al poder computacional limitado.
• La financiación y el interés disminuyeron durante este período, lo que condujo a lo que se conoce como el «invierno de la IA».

El aprendizaje automático llega en 1980

• El nacimiento del aprendizaje automático ocurrió en 1950-1960 creando el primer programa de autoaprendizaje llamado «Programa de juego de damas de Samuel».
• Pero entre 1970 y 1980, el aprendizaje automático enfrentó algunos problemas y limitaciones debido a la falta de potencia computacional y disponibilidad de datos.
• Como resultado, los investigadores crearon algunos algoritmos, por ejemplo, árboles de decisión y redes neuronales, que se mostraron prometedores.
• Entonces, en 1980, ocurrió el surgimiento del aprendizaje automático como un enfoque alternativo a la IA.
• En 1990-2000, el aprendizaje automático, como las máquinas vectoriales, las redes bayesianas y los métodos de conjunto, ganaron popularidad.
• Y en ese período, la aplicación de IA se expande, incluido el procesamiento de lenguaje natural y la robótica de visión por computadora, por lo que llamamos a este período de tiempo como el Renacimiento de la IA.

El aprendizaje profundo llega en 2010

• El origen y desarrollo del aprendizaje profundo se remonta a principios de 2000, pero ganó una popularidad significativa en 2010.
• No solo Deep Learning, la red neuronal también llega en el año 2000.
• El término «aprendizaje profundo» se utilizó más ampliamente para describir la aplicación de redes neuronales con múltiples capas y arquitecturas complejas en esa época.

Aprendizaje automático

• Este es un subconjunto de AI y este enfoque en algoritmos. Machine Learning permite que las máquinas aprendan de los datos y hagan predicciones sin programación explícita. Entonces, Machine Learning ayuda a revolucionar las industrias a través de la automatización y la recomendación personalizada.

Aprendizaje automático frente a programación tradicional

• En programación, usamos datos para generar una salida, pero en Machine Learning las cosas son diferentes porque estamos trabajando en datos.
• Pero no todos los problemas son adecuados para el aprendizaje automático. ML se usa donde la programación tradicional no funciona, significa que usamos Machine Learning donde no podemos dar una solución basada en el algoritmo.

Soluciones actuales de IA/ML

• Sistema de recomendación.
• Visión por computador.
• Procesamiento natural del lenguaje.
• Traducción de idiomas.
• Agrupación.
• Pronóstico.
• Aprendizaje reforzado.
• Redes adversarias generales.

Aprendizaje profundo

• Este es un subconjunto de inteligencia artificial y aprendizaje profundo que utiliza redes neuronales artificiales inspiradas en el cerebro humano. El aprendizaje profundo sobresale en el aprendizaje de representaciones jerárquicas a partir de datos sin procesar y ha logrado avances en el reconocimiento de imágenes y voz, el procesamiento del lenguaje natural y más.

• Visión por computadora, procesamiento de lenguaje natural, reconocimiento de voz y muchos otros.
• Se ha aplicado ampliamente a tareas como clasificación de imágenes y videos, detección de objetos, traducción de idiomas, análisis de sentimientos e incluso juegos complejos.
• La capacidad del aprendizaje profundo para aprender automáticamente patrones y representaciones intrincados a partir de grandes conjuntos de datos ha contribuido a su eficacia para resolver problemas complejos e impulsar el avance hacia la inteligencia artificial.

Tipos de modelos de aprendizaje profundo y sus usuarios

• Red neuronal convolucional

Visión artificial y clasificación de imágenes. Y también este modelo se está utilizando en automóviles autónomos y teléfonos móviles.

1. Secuencias de proceso (Ej: texto, voz, audio). En el mundo moderno, usamos asistencia virtual como Siri, Alexa y Google, por lo que este modelo se usa en esa asistencia.
2. Y también para traducir lenguaje también usando este modelo.

1. Juegos muy conocidos, utilizados en Roberts.
2. Esta es una de las partes importantes del aprendizaje profundo porque a partir de este modelo, las máquinas están aprendiendo al realizar algunas actividades, por lo que al usar este modelo, el aprendizaje profundo puede jugar juegos complejos y puede realizar algunas actividades complejas.

• Red adversaria generativa

1. Generación de nuevos artefactos (Ej: fotos, música, videos).
2. Al implementar este modelo en una máquina, podemos dibujar y hacer muchos más trabajos de diseño gráfico a partir de esas máquinas.
3. Y también llamamos a este modelo GAN

Importante

La computadora puede hacer cosas que ha visto antes.
Por ejemplo :
A veces, los sistemas de reconocimiento facial no pueden detectar personas blancas o negras debido a su piel.
Por lo tanto, es importante entrenar la máquina para que represente todos los conjuntos de datos.

Conclusión

• La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo llevaron al mundo a una nueva era. Porque estas nuevas tecnologías están haciendo cosas que se creía que solo un ser humano podía hacer.
• Y lo más importante, Ai/ML y DL aún están en desarrollo. así que en el futuro, estas tres cosas harán una nueva generación de la humanidad.
• Entonces, este artículo contiene la información básica sobre inteligencia artificial, aprendizaje automático y aprendizaje profundo y la historia de esas tres cosas.