Diferencias Entre Deep Learning Y Machine Learning
Si bien hay muchas diferencias entre estos dos subconjuntos de inteligencia artificial, aquí hay cinco de las más importantes:
1. Intervención humana
El Machine Learning requiere una intervención humana más continua para obtener resultados. El Deep Learning es más complejo de configurar, pero requiere una intervención mínima a partir de entonces.
2. Hardware
Los programas de Machine Learning tienden a ser menos complejos que los algoritmos de Deep Learning y, a menudo, pueden ejecutarse en computadoras convencionales, pero los sistemas de Deep Learning requieren hardware y recursos mucho más potentes. Esta demanda de energía ha impulsado ha significado un mayor uso de unidades de procesamiento gráfico. Las GPU son útiles por su memoria de alto ancho de banda y su capacidad para ocultar la latencia (retrasos) en la transferencia de memoria debido al paralelismo de subprocesos (la capacidad de muchas operaciones para ejecutarse de manera eficiente al mismo tiempo).
3. Tiempo
Los sistemas de Machine Learning se pueden configurar y operar rápidamente, pero pueden estar limitados en el poder de sus resultados. Los sistemas de Deep Learning tardan más en configurarse, pero pueden generar resultados instantáneamente (aunque es probable que la calidad mejore con el tiempo a medida que haya más datos disponibles).
4. Enfoque
El Machine Learning tiende a requerir datos estructurados y utiliza algoritmos tradicionales como la regresión lineal. El Deep Learning emplea redes neuronales y está diseñado para adaptarse a grandes volúmenes de datos no estructurados.
5. Aplicaciones
El Machine Learning ya está en uso en su bandeja de entrada de correo electrónico, banco y consultorio médico. La tecnología de Deep Learning permite programas más complejos y autónomos, como automóviles autónomos o robots que realizan cirugías avanzadas.