O aprendizado profundo é um subconjunto do machine learning que usa redes neurais artificiais para processar e analisar informações. As redes neurais são compostas por nós computacionais em camadas dentro de algoritmos de aprendizado profundo. Cada camada contém uma camada de entrada, uma camada final e uma camada escondida. A rede neural é alimentada com dados de treinamento, o que ajuda o algoritmo a aprender e melhorar a acurácia. Quando uma rede neural é composta por três ou mais camadas, ela é chamada de "profunda", ou seja, de aprendizado profundo.

Os algoritmos de aprendizado profundo são inspirados no funcionamento do cérebro humano e usados para analisar dados com uma estrutura lógica. O aprendizado profundo é usado em muitas tarefas que consideramos como IA hoje, incluindo reconhecimento de imagem e fala, detecção de objetos e processamento de linguagem natural. O aprendizado profundo pode criar correlações complexas e não lineares dentro de conjuntos de dados, mas exige mais dados de treinamento e recursos computacionais do que o machine learning.

Alguns tipos comuns de redes neurais usados para aprendizado profundo incluem:

As redes neurais do feedforward (FF, na sigla em inglês) são uma das formas mais antigas de redes neurais, com dados fluindo de formas por neurônios artificiais até a saída ser alcançada.

As redes neurais recorrentes (RNN, na sigla em inglês) são diferentes das redes neurais de encaminhamento, porque usam dados de séries temporais ou envolvem sequências. As redes neurais recorrentes têm a "memória" do que aconteceu na camada anterior conforme a saída da camada atual.

A memória de longo prazo/LSTM é uma forma avançada de RNN que pode usar memória para “lembrar” o que aconteceu em camadas anteriores.

As redes neurais convolucionais (CNNs, na sigla em inglês) incluem algumas das redes neurais mais comuns na inteligência artificial moderna e usam várias camadas distintas (uma camada convolucional e depois uma camada de pooling) que filtram partes diferentes de uma imagem antes de colocá-la. novamente (na camada totalmente conectada).

As redes adversárias generativas (GANs, na sigla em inglês) envolvem duas redes neurais (um "geradora" e um "discriminador") que competem entre si em um jogo, o que melhora a precisão do resultado.

Machine learning é um subconjunto da inteligência artificial que permite que um sistema aprenda e melhore de maneira autônoma sem ser programado explicitamente. Os algoritmos de aprendizado de máquina reconhecem padrões e dados e fazem previsões quando novos dados são inseridos no sistema.

Em geral, três tipos de modelos são frequentemente usados em machine learning: supervisionado, não supervisionado e de reforço.

O aprendizado supervisionado é um modelo de machine learning que usa dados de treinamento rotulados (dados estruturados) para mapear uma entrada específica e uma saída. No aprendizado supervisionado, a saída é conhecida (como o reconhecimento da imagem de uma maçã) e o modelo é treinado com dados da saída conhecida. Em termos simples, para treinar o algoritmo a reconhecer fotos de maçãs, alimente-o com fotos rotuladas como maçãs.

Os algoritmos de aprendizado supervisionado mais usados atualmente incluem:

• Regressão linear
• Regressão polinomial
• Vizinhos mais próximos exatos
• Naive Bayes
• Regressão polinomial
• Árvores de decisão

O aprendizado não supervisionado é um modelo de machine learning que usa dados não rotulados (dados não estruturados) para aprender padrões. Ao contrário do aprendizado supervisionado, a saída não é conhecida antecipadamente. Em vez disso, o algoritmo aprende com os dados sem contribuição humana (ou seja, não supervisionado) e os categoriza em grupos com base em atributos. Por exemplo, se o algoritmo receber fotos de maçãs e bananas, ele vai trabalhar sozinho para categorizar qual foto é uma maçã e qual é uma banana. O aprendizado não supervisionado é bom em modelagem descritiva e correspondência de padrões.

Os algoritmos de aprendizado não supervisionado mais usados atualmente incluem:

• Difundido significa
• Criação de cluster k-means
• Clustering hierárquico
• Análise de componentes principais
• Mínimos quadrados parciais

Uma abordagem mista chamada aprendizado semi-supervisionado também é empregada com frequência, em que apenas alguns dados são rotulados. No aprendizado semi-supervisionado, o algoritmo precisa descobrir como organizar e estruturar os dados para chegar a um resultado conhecido. Por exemplo, o modelo de machine learning é informado de que o resultado final é uma maçã, mas apenas alguns dos dados de treinamento são rotulados como uma maçã.

O aprendizado por reforço é um modelo de machine learning que pode ser descrito como "aprender fazendo" com uma série de experimentos de tentativa e erro. Um “agente” aprende a realizar uma tarefa definida por meio de um ciclo de feedback até que o desempenho esteja dentro de um intervalo desejável. O agente recebe reforço positivo quando executa a tarefa bem e reforço negativo quando tem um desempenho ruim. Um exemplo de aprendizado por reforço é quando os pesquisadores do Google ensinaram um algoritmo desse tipo para jogar Go. O modelo não tinha conhecimento prévio das regras de Go e simplesmente moveu as peças aleatoriamente e "aprendeu" os melhores resultados durante o treinamento do algoritmo, até que o modelo de machine learning pudesse vencer um jogador humano no jogo.

A inteligência artificial é um campo da ciência que se concentra na criação de computadores e máquinas que podem raciocinar, aprender e atuar de maneira que normalmente exigiria inteligência humana ou que envolve dados com escala maior do que as pessoas podem analisar. A IA é um campo amplo que inclui muitas disciplinas, incluindo ciência da computação, dados e análises, engenharia de software e até filosofia. 

No nível de negócios, a IA é um conjunto de tecnologias com muitos casos de uso, incluindo análise de dados, previsões e previsões, processamento de linguagem natural, recomendações, automação de máquina, recuperação inteligente de dados e muito mais.

Inteligência artificial, machine learning e aprendizado profundo são frequentemente usados como sinônimos ao discutir tudo sobre IA. Embora os termos sejam correlacionados, eles não são intercambiáveis. 

Enquanto a IA é um campo amplo, machine learning é uma aplicação que permite que as máquinas aprendam sem serem especificamente programadas. O machine learning é mais explicitamente usado como um meio de extrair conhecimento de dados por métodos mais simples, como árvores de decisão ou regressão linear, enquanto o aprendizado profundo usa os métodos mais avançados encontrados em redes neurais artificiais.

O aprendizado profundo requer menos intervenção humana, já que os atributos de um conjunto de dados são extraídos automaticamente, em vez de técnicas mais simples de aprendizado de máquina que geralmente exigem que um engenheiro identifique manualmente os atributos e classificadores dos dados e ajuste o algoritmo de acordo. Essencialmente, o aprendizado profundo pode aprender com os próprios erros, enquanto o machine learning precisa da intervenção humana.

O aprendizado profundo também requer muito mais dados do que o machine learning, o que exige uma capacidade computacional significativamente maior. O machine learning geralmente pode ser feito em servidores que executam CPUs, enquanto o aprendizado profundo geralmente requer chips mais robustos, como GPUs.