PyTorch: aprendizaje automático frente a Deep Learning

En este capítulo, discutiremos la principal diferencia entre los conceptos de aprendizaje automático y Deep Learning.

La cantidad de datos

El aprendizaje automático funciona con diferentes cantidades de datos y se utiliza principalmente para pequeñas cantidades de datos. Por otro lado, el Deep Learning funciona bien cuando la cantidad de datos crece rápidamente. El siguiente diagrama muestra cómo funcionan el aprendizaje automático y el Deep Learning en relación con la cantidad de datos.

Suma de datos

Dependencias de hardware

Los algoritmos de Deep Learning se basan en gran medida en máquinas de alto rendimiento, a diferencia de los algoritmos tradicionales de aprendizaje automático. Los algoritmos de Deep Learning realizan una gran cantidad de multiplicaciones de matrices, lo que requiere un gran soporte de hardware.

Ingeniería funcional

El desarrollo de características es el proceso de incorporar 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 desarrollo de funciones. Los algoritmos de Deep Learning se centran en funciones de datos de alto nivel. Esto reduce la tarea de desarrollar un nuevo extractor de características para cada nuevo problema.

🚫