Contenido:

• 1 Cómo saber la diferencia entre el aprendizaje de máquina y el aprendizaje profundo - Video Series
• 2 Cómo saber cuándo usar aprendizaje profundo y cuándo no - Texto

Tiempo aproximado: 15 min

Introducción

1 Cómo saber la diferencia entre el aprendizaje de máquina y el aprendizaje profundo

Comparación entre una solución con aprendizaje de máquina y aprendizaje profundo

3 Cómo saber cuándo usar aprendizaje profundo y cuándo no

Considera los siguientes puntos antes de decidir usar aprendizaje profundo:

• Si tienes acceso a muchos datos para obtener interpretaciones. El aprendizaje profundo requiere muchos más datos que un algoritmo tradicional de aprendizaje automático. La razón de esto es que solo es capaz de extraer las características relevantes cuando se expone a una inmensa cantidad de datos. Los algoritmos de aprendizaje automático, por otro lado, no necesitan extraer por sí solos las características, pues pueden aprender a través de características predefinidas.
• Si tienes que resolver problemas demasiado complejos para el aprendizaje automático. Si el problema es simple, ¿para qué usar aprendizaje profundo? Un problema complejo sería, por ejemplo, si tienes datos no estructurados de los cuales no puedas extraer características relevantes. Entonces es mejor usar aprendizaje profundo.
• Si puedes gastar muchos recursos y gastos computacionales para manejar hardware y software para entrenar redes de aprendizaje profundo. Por la cantidad de datos, y la complejidad de la red neuronal, el aprendizaje profundo puede requerir de hardware especializado para procesar los datos.

La parte II de este curso aborda el aprendizaje profundo a mayor detalle.