Artificial Intelligence (AI)
A broad scientific discipline with its roots in philosophy, mathematics and computer science that
aims to understand and develop systems that display properties of intelligence.
Machine Learning
A sub discipline of AI, where computers programs (algorithms) learn associations of predictive
power from examples in data. Machine learning is most simply the application of statistical models
to data using computers. Machine learning uses a broader set of statistical techniques than those
typically used in medicine. Newer techniques such as Deep Learning are based on models with less
assumptions about the underlying data and are therefore able to handle more complex data.
Deep Learning
Deep learning methods allow a machine to be fed with large quantities of raw data and to discover
the representations necessary for detection or classification. Deep learning methods rely on
multiple layers of representation of the data with successive transformations that amplify aspects
of the input that are important for discrimination and suppress irrelevant variations . Deep
learning may be supervised or unsupervised. Deep learning methods have been responsible for
many of the recent foundational advances in machine learning [5].
Inteligencia artificial (IA)
Una amplia disciplina científica con sus raíces en la filosofía, las matemáticas y la
informática que tiene como objetivo comprender y desarrollar sistemas que muestren
propiedades de la inteligencia.
Aprendizaje automático
Una subdisciplina de la IA, donde los programas de computadora (algoritmos) aprenden
asociaciones de poder predictivo a partir de ejemplos en datos. El aprendizaje automático es
simplemente la aplicación de modelos estadísticos a los datos que utilizan computadoras. El
aprendizaje automático utiliza un conjunto más amplio de técnicas estadísticas que las que
se utilizan normalmente en medicina. Las técnicas más nuevas, como el aprendizaje
profundo, se basan en modelos con menos suposiciones sobre los datos subyacentes y, por
lo tanto, pueden manejar datos más complejos.
Aprendizaje profundo
Los métodos de deep learning permiten alimentar una máquina con grandes cantidades de
datos brutos y descubrir las representaciones necesarias para su detección o
clasificación. Los métodos de aprendizaje profundo se basan en múltiples capas de
representación de los datos con transformaciones sucesivas que amplifican aspectos de la
entrada que son importantes para la discriminación y suprimen variaciones irrelevantes. El
aprendizaje profundo puede estar supervisado o no. Los métodos de aprendizaje profundo
han sido responsables de muchos de los avances fundamentales recientes en el aprendizaje
automático [ 5 ].
Supervised learning
Depende de los datos previamente etiquetados, como si la computadora puede distinguir entre
imágenes de automóviles e imágenes de aviones. Por esta razón, estas etiquetas o etiquetas son
colocadas por humanos para garantizar que la validez y la calidad de los datos sean normales. Es
decir, son problemas que hemos solucionado pero que seguirán apareciendo en el futuro. La
idea es que la computadora pueda aprender de una gran cantidad de ejemplos, y luego la
computadora pueda hacer el resto de los cálculos necesarios a partir de ellos, para que no
tengamos que volver a ingresar ninguna información. Ejemplos: reconocimiento de voz,
detección de spam, reconocimiento de escritura a mano, etc.
Unsupervised learning
En esta categoría lo que sucede es que al algoritmo se le despoja de cualquier etiqueta, de modo
que no cuenta con ninguna indicación previa. En cambio, se le provee de una enorme cantidad de
datos con las características propias de un objeto (aspectos o partes que conforman a un avión o a
un coche, por ej.), para que pueda determinar qué es, a partir de la información recopilada.
Ejemplos: detectar morfología en oraciones, clasificar información, etc.
Reinforcement learning
En este caso particular, la base del aprendizaje es el refuerzo. La máquina es capaz de aprender
con base a pruebas y errores en un número de diversas situaciones.
Aunque conoce los resultados desde el principio, no sabe cuáles son las mejores decisiones para
llegar a obtenerlos. Lo que sucede es que el algoritmo progresivamente va asociando los patrones
de éxito, para repetirlos una y otra vez hasta perfeccionarlos y volverse infalible.
Ejemplos: navegación de un vehículo en automático, toma de decisiones, etc.
Existen otros enfoques más complejos para tareas más específicas, pero no vale la pena ahondar
en éstos. De momento no queremos complicar las cosas. De cualquier forma, si estuvieras
interesado en conocer más acerca de éstos, puedes ver algunos ejemplos más concretos aquí.
