El aprendizaje profundo es un subconjunto de aprendizaje automático que utiliza redes neuronales artificiales para procesar y analizar la información. Las redes neuronales están formadas por nodos computacionales que se superponen en algoritmos de aprendizaje profundo. Cada capa contiene una capa de entrada, una capa de salida y una capa oculta. La red neuronal recibe datos de entrenamiento, lo que ayuda al algoritmo a aprender y mejorar la precisión. Cuando una red neuronal está compuesta por tres o más capas, se dice que es "profunda", por lo que es un aprendizaje profundo.

Los algoritmos de aprendizaje profundo se inspiran en el funcionamiento del cerebro humano y se utilizan para analizar datos con una estructura lógica. El aprendizaje profundo se utiliza en muchas de las tareas que hoy consideramos como IA, por ejemplo el reconocimiento de imágenes y voz, la detección de objetos y el procesamiento del lenguaje natural. El aprendizaje profundo puede crear correlaciones no lineales y complejas dentro de los conjuntos de datos, aunque requiere más datos de entrenamiento y recursos computacionales que el aprendizaje automático.

Estos son algunos de los tipos de redes neuronales que se suelen usar en el aprendizaje profundo:

Las redes neuronales de retroalimentación (FF) son una de las formas más antiguas de redes neuronales, donde los datos fluyen en una dirección a través de capas de neuronas artificiales hasta que se obtiene el resultado.

Las redes neuronales recurrentes (RNN) se diferencian de las redes neuronales de retroalimentación en que suelen usar datos de series temporales o datos que implican secuencias. Las redes neuronales recurrentes tienen "memoria" de lo que ocurrió en la capa anterior en función de la salida de la capa actual.

Las redes de memoria a corto y largo plazo (LSTM) son una forma avanzada de RNN que pueden usar la memoria para "recordar" lo que ha ocurrido en capas anteriores.

Las redes neuronales convolucionales (CNN) incluyen algunas de las redes neuronales más comunes de la inteligencia artificial moderna y utilizan varias capas diferentes (una capa convolucional y luego una capa de agrupamiento) que filtran diferentes partes de una imagen antes de volver a colocarla (en la capa completamente conectada).

Las redes generativas adversas (GAN) implican dos redes neuronales (una "generadora" y una "discriminadora") que compiten entre sí en un juego y, en última instancia, mejoran la precisión de la salida.

El aprendizaje automático es un subconjunto de la inteligencia artificial que permite que un sistema aprenda y mejore de forma autónoma sin estar programado de forma explícita. Los algoritmos de aprendizaje automático reconocen patrones y datos, y hacen predicciones cuando se introducen datos nuevos en el sistema.

A grandes rasgos, en el aprendizaje automático se suelen utilizar tres tipos de modelos: supervisado, no supervisado y de refuerzo.

El aprendizaje supervisado es un modelo de aprendizaje automático que utiliza datos de entrenamiento etiquetados (datos estructurados) para asignar una entrada específica a una salida. En el aprendizaje supervisado, se conoce el resultado (por ejemplo, se reconoce la imagen de una manzana) y el modelo se entrena con datos de la salida conocida. Dicho de otro modo, si quieres entrenar el algoritmo para que reconozca imágenes de manzanas, dales imágenes con las etiquetas de manzanas.

Algunos de los algoritmos de aprendizaje supervisado más habituales que se usan actualmente son los siguientes:

• Regresión lineal
• Regresión polinómica
• Vecinos más cercanos
• Naive Bayes
• Regresión polinómica
• Árboles de decisión

El aprendizaje no supervisado es un modelo de aprendizaje automático que utiliza datos sin etiquetar (datos no estructurados) para aprender patrones. A diferencia del aprendizaje supervisado, no se conoce de antemano la salida. En vez de eso, el algoritmo aprende a partir de los datos sin intervención humana (por lo tanto, sin supervisión) y los clasifica en grupos según sus atributos. Por ejemplo, si el algoritmo recibe imágenes de manzanas y plátanos, clasificará por sí mismo qué imagen es una manzana y cuál es un plátano. El aprendizaje no supervisado funciona bien en los modelos descriptivos y en la coincidencia de patrones.

Algunos de los algoritmos de aprendizaje no supervisado más habituales que se utilizan en la actualidad son los siguientes:

• Medianas difusas
• Agrupamiento en clúster de mediana‑K
• Agrupación en clúster jerárquica
• Análisis de los componentes principales
• Mínimos cuadrados parciales

También se suele emplear un enfoque mixto: aprendizaje automático semisupervisado, en el que solo se etiquetan algunos de los datos. En el aprendizaje semisupervisado, el algoritmo debe aprender a organizar y estructurar los datos para lograr un resultado conocido. Por ejemplo, el modelo de aprendizaje automático indica que el resultado final es una manzana, pero solo algunos de los datos de entrenamiento se etiquetan como manzana.

El aprendizaje por refuerzo es un modelo de aprendizaje automático que se puede describir como "aprender con la práctica" a través de una serie de experimentos de prueba y error. Un "agente" aprende a realizar una tarea definida a través de un bucle de retroalimentación hasta que su rendimiento se encuentre dentro de un intervalo deseado. El agente recibe refuerzo positivo cuando hace la tarea bien y refuerzo negativo cuando falla. Un ejemplo del aprendizaje por refuerzo se da cuando los investigadores de Google enseñaron a un algoritmo de aprendizaje por refuerzo a jugar al Go. El modelo no tenía conocimientos previos de las reglas del Go, por lo que simplemente se movía de forma aleatoria y "aprendía" los mejores resultados a medida que se entrenaba el algoritmo, hasta el punto de que el modelo de aprendizaje automático podía superar a un jugador humano en el juego.

La inteligencia artificial es un campo de la ciencia relacionado con la creación de ordenadores y máquinas que puedan razonar, aprender y actuar de una forma que normalmente necesitaría inteligencia humana o que consuma datos cuya escala supere lo que las personas pueden analizar. La IA es un campo amplio que incluye muchas disciplinas, como la informática, los datos y las analíticas, la ingeniería de software e incluso la filosofía. 

A nivel empresarial, la IA es un conjunto de tecnologías que abarcan muchos casos prácticos, como analíticas de datos, predicciones y previsiones, procesamiento del lenguaje natural, recomendaciones, automatización automática, extracción de datos inteligente y más.

La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo se suelen usar como sinónimos en todo lo relacionado con la IA. Si bien los términos están relacionados, no son intercambiables. 

Mientras que la IA es un campo amplio, el aprendizaje automático es una aplicación de IA que permite a las máquinas aprender sin estar programadas específicamente. El aprendizaje automático se utiliza de forma más explícita para extraer el conocimiento de los datos a través de métodos más sencillos, como los árboles de decisión o la regresión lineal, mientras que el aprendizaje profundo utiliza los métodos más avanzados que se encuentran en las redes neuronales artificiales.

El aprendizaje profundo requiere menos intervención humana, ya que las funciones de los conjuntos de datos se extraen automáticamente, en comparación con las técnicas más sencillas de aprendizaje automático, que suelen requerir que un ingeniero identifique manualmente las funciones y los clasificadores de los datos y ajuste el algoritmo en consecuencia. Básicamente, el aprendizaje profundo puede aprender de sus propios errores, mientras que el aprendizaje automático necesita la intervención humana.

El aprendizaje profundo también requiere muchos más datos que el aprendizaje automático, que a su vez requiere una capacidad de computación significativamente mayor. El aprendizaje automático se suele hacer con servidores que ejecutan CPUs, mientras que el aprendizaje profundo a menudo requiere chips más robustos, como GPUs.