¿Cual es la diferencia?

¿Cual es la diferencia?

En la ciencia de datos, hay muchos términos que se usan indistintamente, así que vamos a explorar los más comunes. El término big data se refiere a conjuntos de datos que son tan masivos, tan rápidos y tan variados que desafían los métodos de análisis tradicionales, como se podría realizar con una base de datos relacional. El desarrollo simultáneo de una enorme potencia informática en redes distribuidas y nuevas herramientas y técnicas para el análisis de datos significa que las organizaciones ahora tienen el poder de analizar estos vastos conjuntos de datos. Un nuevo conocimiento y perspectivas se están poniendo a disposición de todos. Los grandes datos se describen a menudo en términos de cinco V: velocidad, volumen, variedad, veracidad y valor. La minería de datos es el proceso de búsqueda y análisis de datos automáticamente, descubriendo patrones previamente no revelados. Implica el preprocesamiento de los datos para prepararlos y transformarlos en un formato adecuado. Una vez hecho esto, los conocimientos y patrones se extraen y extraen utilizando diversas herramientas y técnicas que van desde herramientas simples de visualización de datos hasta modelos estadísticos y de aprendizaje automático. El aprendizaje automático es un subconjunto de IA que utiliza algoritmos informáticos para analizar datos y tomar decisiones inteligentes basadas en lo que se aprende sin ser programado explícitamente. Los algoritmos de aprendizaje automático se entrenan con grandes conjuntos de datos y aprenden de ejemplos. No siguen algoritmos basados en reglas. El aprendizaje automático es lo que permite a las máquinas resolver problemas por sí mismas y hacer predicciones precisas utilizando los datos proporcionados. El aprendizaje profundo es un subconjunto especializado de aprendizaje automático que utiliza redes neuronales en capas para simular la toma de decisiones humanas. Los algoritmos de aprendizaje profundo pueden etiquetar y categorizar la información e identificar patrones. Es lo que permite a los sistemas de IA aprender continuamente en el trabajo y mejorar la calidad y precisión de los resultados al determinar si las decisiones fueron correctas. Las redes neuronales artificiales, a menudo referidas simplemente como redes neuronales, se inspiran en las redes neuronales biológicas, aunque funcionan de manera bastante diferente. Una red neuronal en IA es una colección de pequeñas unidades informáticas llamadas neuronas que toman los datos entrantes y aprenden a tomar decisiones con el tiempo. Las redes neuronales suelen tener una profundidad de capas y son la razón por la que los algoritmos de aprendizaje profundo se vuelven más eficientes a medida que los conjuntos de datos aumentan en volumen, en contraposición a otros algoritmos de aprendizaje automático que pueden agotarse a medida que aumentan los datos. Ahora que usted tiene una amplia comprensión de las diferencias entre algunos conceptos clave de IA, hay una diferenciación más que es importante para entender que entre Inteligencia Artificial y Ciencia de Datos. Data Science es el proceso y el método para extraer conocimientos e ideas a partir de grandes volúmenes de datos dispares. Es un campo interdisciplinario que involucra matemáticas, análisis estadístico, visualización de datos , aprendizaje automático y más. Es lo que nos permite apropiarnos de la información, ver patrones, encontrar significado a partir de grandes volúmenes de datos y utilizarla para tomar decisiones que impulsen el negocio. Data Science puede utilizar muchas de las técnicas de IA para obtener información a partir de los datos. Por ejemplo, podría usar algoritmos de aprendizaje automático e incluso modelos de aprendizaje profundo para extraer significado y extraer inferencias de los datos. Existe cierta interacción entre la IA y la ciencia de datos, pero una no es un subconjunto de la otra. Más bien, Data Science es un término amplio que abarca toda la metodología de procesamiento de datos, mientras que la IA incluye todo lo que permite a las computadoras aprender a resolver problemas y tomar decisiones inteligentes. Tanto la IA como la ciencia de datos pueden implicar el uso de big data. Es decir, volúmenes significativamente grandes de datos.

Redes neuronales y aprendizaje profundo

Supongo que las Ciencias de la Computación intentan imitar las neuronas reales en cómo funciona nuestro cerebro. Así que hace 20-23 años, una red neuronal tendría algunos insumos que entrarían. Se alimentarían en diferentes nodos de procesamiento que luego harían alguna transformación en ellos y los agregarían o algo así, y luego tal vez pasarían a otro nivel de nodos. Y finalmente saldría algo de salida, y puedo recordar entrenar a una red neuronal para reconocer dígitos, dígitos escritos a mano y esas cosas.

Así que una red neuronal está tratando de usar computadora, un programa informático que imitará cómo las neuronas, cómo nuestros cerebros usan las neuronas para procesar las cosas, neuronas y sinapsis y construyendo estas redes complejas que pueden ser entrenadas. Así que esta red neuronal comienza con algunas entradas y algunas salidas, y sigues alimentando estas entradas para tratar de ver

qué tipo de transformaciones llegarán a estas salidas. Y sigues haciendo esto una y otra vez, y otra vez de una manera que esta red debería converger. Así que estas entradas, las transformaciones eventualmente obtendrán estas salidas. El problema con las redes neuronales era que a pesar de que la teoría estaba allí y trabajaban en pequeños problemas como reconocer dígitos manuscritos y cosas por el estilo. Eran computacionalmente muy intensivos y así que se hicieron un favor y dejé de enseñarles probablemente hace 15 años.

Y de repente empezamos a escuchar sobre el aprendizaje profundo, escuchamos el término aprendizaje profundo. Este es otro término, ¿cuándo lo escuchaste por primera vez? ¿ Hace cuatro años, hace cinco años? Y entonces, finalmente dije, ¿qué diablos es el aprendizaje profundo? Realmente está haciendo todas estas cosas geniales, ¿qué es? Y yo Google, yo estaba como, esto es redes neuronales de esteroides. Lo que hicieron fue que tenían múltiples capas de redes neuronales, y usan muchas, y mucha potencia informática para resolverlas. Justo antes de esta entrevista, tenía un joven profesor en el departamento de marketing cuya investigación se basa parcialmente en el aprendizaje profundo. Así que necesita una computadora que tenga una Unidad de Procesamiento de Gráficos en ella, porque se necesita una enorme cantidad de cálculos de matriz y álgebra lineal para hacer realmente todas las matemáticas que se necesitan en las redes neuronales.

...