El aprendizaje profundo es un subconjunto del aprendizaje automático que usa redes neuronales artificiales para procesar y analizar información. Las redes neuronales se componen de nodos computacionales que se agrupan en capas dentro de los algoritmos de aprendizaje profundo. Cada una contiene una capa de entrada, una de salida y una oculta. La red neuronal recibe datos de entrenamiento que ayudan al algoritmo a aprender y mejorar la exactitud. Cuando una red neuronal está compuesta por tres o más capas, se dice que es “profunda”, por lo tanto, es de aprendizaje profundo.

Los algoritmos de aprendizaje profundo están inspirados en el funcionamiento del cerebro humano y se usan para analizar datos con una estructura lógica. El aprendizaje profundo se usa en muchas de las tareas que se consideran IA en la actualidad, como el reconocimiento de voz y de imagen, la detección de objetos y el procesamiento de lenguaje natural. El aprendizaje profundo puede crear correlaciones complejas y no lineales dentro de los conjuntos de datos, aunque requiere más datos de entrenamiento y recursos de procesamiento que el aprendizaje automático.

Estos son algunos tipos comunes de redes neuronales que se usan en el aprendizaje profundo:

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

Las redes neuronales recurrentes (RNN) difieren de las redes neuronales prealimentadas en que suelen usar datos de series temporales o datos que involucran secuencias. Las redes neuronales recurrentes tienen una “memoria” de lo que sucedió en la capa anterior como contingente a la salida de la capa actual.

Las RNN de memoria a largo/corto plazo (LSTM) son una forma avanzada de RNN que puede usar memoria para "recordar" lo que sucedió en capas anteriores.

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

Las redes generativas adversarias (GAN) involucran dos redes neuronales (un "generador" y un "discriminador") que compiten entre sí en un juego que, en última instancia, mejora 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 necesidad de una programación explícita. Los algoritmos de aprendizaje automático reconocen patrones y datos, y realizan predicciones cuando se ingresan datos nuevos al sistema.

A grandes rasgos, se usan tres tipos de modelos en el aprendizaje automático: supervisados, no supervisados y por refuerzo.

El aprendizaje supervisado es un modelo de aprendizaje automático que usa datos de entrenamiento etiquetados (datos estructurados) para asignar una entrada específica a una salida. En el aprendizaje supervisado, se conoce la salida (por ejemplo, el reconocimiento de la imagen de una manzana) y el modelo se entrena con los datos de la salida conocida. En términos sencillos, para entrenar al algoritmo para que reconozca fotos de manzanas, transmítele fotos etiquetadas como manzanas.

Los algoritmos de aprendizaje supervisado más comunes que se usan en la actualidad incluyen los siguientes:

• Regresión lineal
• Regresión polinómica
• K‑vecinos más cercanos
• Naive Bayes
• Regresión polinómica
• Árboles de decisión

El aprendizaje no supervisado es un modelo de aprendizaje automático que usa datos sin etiquetar (datos no estructurados) para aprender patrones. A diferencia del aprendizaje supervisado, el resultado no se conoce con anticipación. En cambio, el algoritmo aprende de los datos sin intervención humana (por lo tanto, no supervisados) y los categoriza en grupos según los atributos. Por ejemplo, si el algoritmo recibe imágenes de manzanas y bananas, trabajará por sí solo para categorizar qué imagen es una manzana y cuál es una banana. El aprendizaje no supervisado es bueno para el modelado descriptivo y la coincidencia de patrones.

Los algoritmos de aprendizaje no supervisado más comunes que se usan en la actualidad incluyen los siguientes:

• Difuminado significa
• Agrupación en clústeres con el modelo K-means
• Hierarchical clustering
• Analiza componentes principales.
• Mínimos cuadrados parciales

Con frecuencia, también se emplea un enfoque mixto de aprendizaje automático llamado aprendizaje semisupervisado, en el que solo se etiquetan algunos de los datos. En el aprendizaje semisupervisado, el algoritmo debe determinar cómo organizar y estructurar los datos para lograr un resultado conocido. Por ejemplo, al modelo de aprendizaje automático se le dice que el resultado final es una manzana, pero solo algunos de los datos de entrenamiento están etiquetados como una manzana.

El aprendizaje por refuerzo es un modelo de aprendizaje automático que se puede describir como “aprende haciendo” a través de una serie de experimentos de prueba y error. Un “agente” aprende a realizar una tarea definida a través de un ciclo de retroalimentación hasta que su rendimiento está dentro de un rango deseable. El agente recibe un refuerzo positivo cuando realiza la tarea de forma correcta y un refuerzo negativo cuando tiene bajo rendimiento. Un ejemplo de aprendizaje por refuerzo es cuando los investigadores de Google les enseñan a un algoritmo de aprendizaje por refuerzo para jugar el juego Go. El modelo no tenía conocimiento previo de las reglas de Go y simplemente movió piezas al azar y "aprendió" los mejores resultados a medida que se entrenaba el algoritmo, hasta el punto de que el modelo de aprendizaje automático podía vencer a un jugador humano en el juego.

La inteligencia artificial es un campo de la ciencia relacionado con la creación de computadoras y máquinas que pueden razonar, aprender y actuar de una manera que normalmente requeriría inteligencia humana o que involucra datos cuya escala excede lo que los humanos pueden analizar. La IA es un campo grande que incluye muchas disciplinas como informática, datos y análisis, ingeniería de software y hasta filosofía. 

A nivel empresarial, la IA es un conjunto de tecnologías que tiene muchos casos de uso, incluidos análisis de datos, predicciones y previsión, procesamiento de lenguaje natural, recomendaciones, automatización de máquinas, recuperación de datos inteligente y mucho más.

La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo suelen usarse como sinónimos cuando se habla de todo lo relacionado con la IA. Si bien los términos están correlacionados, no son intercambiables.

La IA es un campo amplio, mientras que el aprendizaje automático es una aplicación de la IA que permite que las máquinas aprendan sin necesidad de una programación específica. El aprendizaje automático se usa de manera más explícita como un medio para extraer conocimiento de los datos a través de métodos más sencillos, como árboles de decisión o la regresión lineal, mientras que el aprendizaje profundo usa los métodos más avanzados de las redes neuronales artificiales.

El aprendizaje profundo requiere menos intervención humana, ya que los atributos de un conjunto de datos se extraen automáticamente, en comparación con técnicas de aprendizaje automático más simples que a menudo requieren que un ingeniero identifique de forma manual atributos y clasificadores de los datos y ajuste el algoritmo según corresponda. En esencia, el aprendizaje profundo puede aprender de sus propios errores, mientras que el aprendizaje automático necesita que una persona intervenga.

El aprendizaje profundo también requiere muchos más datos que el aprendizaje automático, lo que a su vez requiere mucha más potencia de procesamiento. El aprendizaje automático generalmente se puede realizar con servidores que ejecutan CPU, mientras que el aprendizaje profundo suele requerir chips más sólidos, como las GPU.