Machine Learning vs Deep Learning

Cada día millones de personas buscan en Google ¨Machine Learning vs Deep Learning¨ con el objetivo de conocer las principales diferencias entre los dos conceptos. Esto es debido, en cierto modo, a la existencia de un hype por parte de una industria muy novedosa y donde la mayoría de los avances vienen acompañados de una nebulosa de dudas debido a terminologías extrañas.

Nuestro objetivo, en este post, consiste en poner fin (o por lo menos intentarlo) a las dudas que puedan existir a la hora de entender qué es el Machine Learning y cuáles son las principales diferencias Machine Learning vs Deep Learning.

Machine Learning

Empecemos por el Machine Learning (ML) o aprendizaje automático. Una de las definiciones que más me gusta acerca del aprendizaje automático fue presentada por Bishop, en 2006, en el libro Pattern Recognition and Machine Learning: “el aprendizaje automático se ocupa del descubrimiento automático de regularidades en los datos mediante el uso de programas, y del uso de estas regularidades, para tomar acciones como la clasificación de datos en diferentes categorías”. En esencia, podríamos entender el aprendizaje automático como una forma de extraer valor de los datos, de forma que, podamos predecir posibles eventos futuros con éxito.  

-Tal vez te interese: MLOps: desarrollo en el aprendizaje automático-

Deep Learning

Por otra parte, el Deep Learning es un término acuñado por los investigadores Yann LeCun, Yoshua Bengio y Geoffrey Hinton en el artículo titulado Deep learning y publicado en la prestigiosa revista Nature en 2015. 

En el artículo, los autores proponen una definición para este término. Se trata, por tanto, de una técnica que permite a modelos computacionales aprender representaciones de los datos con múltiples niveles de abstracción, descubriendo de esta forma patrones intrínsecos en grandes conjuntos de datos. 

Machine Learning vs Deep Learning: principales diferencias

Entonces, ahora que sabemos que el aprendizaje automático permite aprender a partir de los datos para poder hacer predicciones a futuro surge la duda de ¿Qué diferencia existe entre Machine Learning y Deep Learning? La diferencia radica en el uso de lo que se conoce como redes neuronales profundas.

Una red neuronal no es más que una combinación de capas formadas por unas unidades llamadas “neuronas” interconectadas entre sí. En la imagen superior podemos observar la estructura que suelen tener estos tipos de modelos. Al incrementar el número de capas ocultas conseguimos modelos mucho más profundos y por lo general potentes, aunque cuidado, ¡podemos caer en lo que se conoce como un sobreajuste! Esto podría ser debido a que el modelo está memorizando los datos de entrenamiento y no es capaz de generalizar en eventos futuros.  

Aunque parece que las redes neuronales se tratan de una técnica muy novedosa, en realidad, llevan descubiertas desde 1958 con el Perceptron de Frank Rosenblatt. Lo que, sí es cierto, es que gracias a un incremento en las capacidades de cómputo aportadas por las tarjetas gráficas (GPUs) y una mejora en los algoritmos utilizados para el entrenamiento de estos modelos, ha sido posible aplicarlos a tareas de gran complejidad y profundidad.  Este tipo de modelos son capaces de, a partir de grandes cantidades de datos y, mucho músculo computacional, aprender no sólo la parte discriminativa de la tarea sino también la representación de los datos.  

-Te puede interesar: La importancia de la interpretación de datos-

Históricamente, cuando queríamos realizar una tarea de aprendizaje automático, necesitábamos por una parte obtener una representación de los datos que permitiera discriminar con el menor ruido posible los distintos objetos y, por otra construir lo que se conoce como un clasificador o regresor para discernir entre todas las clases existentes. Con la llegada del Deep Learning, el paradigma cambia, permitiendo a la propia red aprender complejas representaciones de los datos. 

Casos de éxito: Machine Learning vs Deep Learning

En cuanto a casos de éxito donde podemos aplicar el Machine Learning, existen muchos. Podríamos enumerar algunos de los que utilizamos a diario y, que empleaban técnicas clásicas de Machine Learning hace unos años, cuando no disponíamos de grandes volúmenes de datos. Este podría ser el caso de la detección de spam en los sistemas de correo electrónico como Gmail o Outlook, entre otros. 

Uno de los casos de éxito más evidentes en el Deep Learning es la competición ImageNET. Se trata de una competición donde el objetivo radica en realizar una clasificación de millones de imágenes en mil clases o categorías distintas. En los años anteriores al uso de tecnologías de Deep Learning, el error obtenido por los mejores sistemas oscilaba entorno al 30%. A partir del año 2012 y con la participación de un equipo utilizando tecnologías basadas en Deep Learning, se consiguió reducir las tasas de error por debajo del 15%.

En la actualidad, gracias al uso de estas tecnologías, las tasas de error se encuentran por debajo 10%. Como comentan desde Nvidia, ¨en la actualidad prácticamente el 100% de los competidores de tareas relacionadas con la visión por computador hacen uso de técnicas basadas en Deep Learning y explotan la potencia que proporcionan las tarjetas gráficas (GPUs) para realizar el cómputo de forma eficiente¨.

Personalmente, otra de las áreas donde pienso que el Deep Learning va a causar una revolución, es en el área del Procesamiento del Lenguaje Natural (NLP por sus siglas en inglés). Esto es debido en cierto modo al uso de potentes modelos de lenguajes capaces de captar relaciones sintácticas y semánticas entre las palabras. Dos ejemplos de estos modelos de lenguajes podrían ser BERT y GPT presentados por Google y OpenAI, respectivamente.

Conclusión

En resumen, el aprendizaje automático o Machine Learning se trata de un conjunto de técnicas y tecnologías que permiten extraer valor de los datos para realizar predicciones a futuro. Hemos visto que el Deep Learning, se trata de un subconjunto del Machine Learning, donde se emplean arquitecturas de redes neuronales profundas para aprender, tanto la representación de la información, como la parte discriminativa. Por último, hemos visto algún caso de éxito donde se aplican tecnologías de Deep Learning, como es el caso de la famosa competición de ImageNET. También, el uso de modelos de lenguaje capaces de aprender relaciones entre las distintas palabras y ser aplicados con éxito en tareas como el análisis de sentimiento, entre otras.  

Espero que te haya gustado el post y que hayamos podido poner algo de claridad entre los conceptos Machine Learning y Deep Learning. Hasta la próxima. 😊.