Aprendizaje automático frente a aprendizaje profundo: La elección

La elección entre usar el aprendizaje automático y el aprendizaje profundo depende en gran medida de los datos con los que se trabaja y de lo que se desea hacer con esos datos.

El aprendizaje automático tradicional se aplica más comúnmente a conjuntos de datos más pequeños en los que un experto ya ha determinado qué parte de ellos es relevante para resolver un problema, en general haciendo que el algoritmo identifique de manera más fácil los patrones. Por ejemplo, las respuestas a las encuestas de los clientes, la información sobre la salud del paciente y la actividad de las cuentas bancarias son algunas aplicaciones comunes para el aprendizaje automático tradicional, ya que en general le permitiría saber qué características son útiles para predecir las preferencias de los clientes, los problemas de la salud y el fraude.

Por otro lado, el aprendizaje profundo es una mejor opción en situaciones en las que es difícil determinar las características que contribuyen a una predicción. Por ejemplo, el reconocimiento de objetos en imágenes y video es una aplicación común del aprendizaje profundo porque usted no necesariamente sabe cómo describir con precisión un objeto complejo. Del mismo modo, el aprendizaje profundo también se utiliza para ayudar a las máquinas a comprender y recrear el habla humana, ya que el lenguaje también es un concepto muy complejo. Además, el aprendizaje profundo es preferible cuando se cuenta con grandes cantidades de datos, tiempo y recursos.

Información adicional