Diferencia entre Machine Learning y Deep Learning

Para aclarar las diferencias entre Machine Learning y Deep Learning, diremos que Machine Learning consiste en un conjunto de algoritmos que parten de un conjunto de datos de entrada y tratan de clasificarlos automáticamente o bien de inferir nuevos datos.

Entre estos algoritmos se encuentran la regresión lineal, la regresión logística o las redes neuronales. Son métodos de fuerza bruta que normalmente funcionarán tan bien como bueno y amplio sea el conjunto de datos de entrada.

Ejemplos de aplicaciones de estas técnicas son:

  • Reconocimiento de caracteres en una imagen
  • En base a un elevado número de variables de entrada (nº de habitaciones, superficie, antigüedad, etc.) determinar el precio óptimo de una vivienda
  • Clasificar noticias, artículos, películas, etc. por categoría y hacer recomendaciones personalizadas
  • Detección del uso fraudulento de cuentas bancarias
  • Detección de enfermedades en base a datos médicos del paciente

Estos algoritmos pueden trabajar con un gran número de variables de entrada y la dificultad normalmente consiste en recolectar los datos con los que alimentarlos.

Pero en todo momento hablamos de datos en bruto: diferencias entre pixeles de una imagen o correlaciones entre datos, no hay un verdadero entendimiento de los valores de entrada.

Aquí es donde entra el Deep Learning, que añadiría la parte de representación de datos, de esa forma el sistema sabría que una película dramática contiene normalmente la pérdida de alguien querido o una relación amorosa truculenta, que el estómago y el hígado forman parte del aparato digestivo o sabría que las caras muestran diversas expresiones: alegría, tristeza…

Por tanto, es Deep Learning es un área de investigación clave en los próximos años

De esta forma, la conclusión sería la siguiente:

Deep Learning = Machine Learning + Semántica