PyTorch: aprendizaje automático frente a aprendizaje profundo

En este capítulo, analizaremos la principal diferencia entre los conceptos de aprendizaje automático y profundo.

La cantidad de datos

El aprendizaje automático funciona con diferentes cantidades de datos y se utiliza principalmente para pequeñas cantidades de datos. El aprendizaje profundo, por otro lado, funciona de manera eficiente si la cantidad de datos aumenta rápidamente. El siguiente diagrama muestra el funcionamiento del aprendizaje automático y el aprendizaje profundo con respecto a la cantidad de datos:

Dependencias de hardware

Los algoritmos de aprendizaje profundo están diseñados para depender en gran medida de máquinas de alta gama, al contrario de los algoritmos tradicionales de aprendizaje automático. Los algoritmos de aprendizaje profundo realizan una gran cantidad de operaciones de multiplicación de matrices que requieren un gran soporte de hardware.

Ingeniería de funciones

La ingeniería de características es el proceso de poner el conocimiento del dominio en características específicas para reducir la complejidad de los datos y crear patrones que sean visibles para los algoritmos de aprendizaje.

Por ejemplo, los patrones tradicionales de aprendizaje automático se centran en píxeles y otros atributos necesarios para el proceso de ingeniería de características. Los algoritmos de aprendizaje profundo se centran en características de alto nivel a partir de datos. Reduce la tarea de desarrollar un extractor de nuevas funciones para cada nuevo problema.