Deep Learning

Machine Learning vs Deep Learning

Tanto el Machine Learning como el Deep Learning tienen el mismo propósito, que es generar modelos que nos permitan predecir y encontrar patrones en los datos.

La principal diferencia entre ellos es que, mientras en el primero somos nosotros mismos los que tenemos que extraer características de los datos de entrada, en el segundo, los modelos empleados ya incluyen esta extracción de características.

Por ejemplo, si queremos clasificar modelos de coches, como vemos en la imagen anterior, en los modelos clásicos de Machine Learning, somos nosotros los que vamos a tener que extraer características del coche, como el color, peso, velocidad máxima, etcétera.

Mientras que en el Deep Learning podemos simplemente pasarle fotografías y decirle el modelo del coche, y que sea el propio algoritmo el que se encargue de encontrar que cosas diferencian a un coche de otro.

Los algoritmos de Deep Learning son bastante más potentes que los de Machine Learning, y se utilizan para propósitos más complejos, como el que vamos a ver a continuación.

En este ejemplo, queremos clasificar dígitos escritos a mano, que van del 0 al 9.

Con un modelo clásico de Machine Learning no podemos utilizar como entra directamente la imagen, tenemos que extraer características. Por ejemplo, podemos utilizar el grado de simetría y el nivel de negro sobre blanco.

Tal vez con estas dos características ya conseguimos clasificar bien todos los números, ya que todos van a tener una simetría diferente y un ratio negro sobre blanco diferente, pero somos nosotros los que vamos a tener que hacer esa extracción para entrenar un modelo de Machine Learning y decirle cuál es la salida.

Un modelo de Deep Learning se ahorraría este paso, ya que directamente entraría en los píxeles de las imágenes de entrada, y él mismo se encargaría de buscar los patrones que consiguen diferenciar las imágenes.

El mejor ejemplo de este caso es la detección de imágenes, por ejemplo, la detección de caras.

Los algoritmos de Deep Learning consisten en redes neuronales gigantescas, dónde la información de entrada corresponde al valor de los píxeles de las imágenes.

Cada entrada va a ser un píxel, y esos píxeles se van a ir combinando por la red neuronal, de forma que la propia red va a ir encontrando patrones que permitan clasificar estas imágenes.

Estos patrones pueden ser patrones de contraste, características de las caras, y finalmente a la salida de la red va a conseguir clasificar, si no todas, por lo menos una gran cantidad de las imágenes si el algoritmo es bueno.

Aplicaciones del Machine Learning

Los algoritmos de Machine Learningn tienen muchas aplicaciones, de las que podemos destacar algunas:

• Reconocimiento de imágenes
• Detectar spam
• Detectar un fraude
• Recomendaciones de productos
• Diagnósticos médicos
• Personalización de web
• Reconocimiento de voz
• Optimización de precios
• Predicción de fugas y cross-selling
• Segmentación de clientes
• Demanda de energía
• Trading

El Machine Learning, a pesar de no ser tan potente como el Deep Learning, tiene un montón de aplicaciones, la única condición es que vamos a extraer esas características.

Aplicaciones del Deep Learning

Los algoritmos de Deep Learning permiten hacer cosas como, por ejemplo:

• Colorear fotografías
• Traducciones automáticas
• Clasificar objetos, personas y objetos dentro de una imagen
• Generar etiquetas que describen una imagen