Diferencias entre inteligencia artificial, machine learning y deep learning
Contenido del curso
Juan Ramón García Santabárbara
Company_admin
Agustin Demarchi
Dilean Shadai García Alvarez
Yorgen Omar Marciales Parada
Marifer Villarroel
Jesus Percy Nazario Portilla
Domingo Ramírez
Frida Ruh
Profesor
Andrés Castrillón
Isaac David Hernández Vallejo
Gonzalo Peñaranda
Carlos Mendoza
Luis Rebollo
Gabriel Obregón
Jhon Freddy Tavera Blandon
Maria Soledad Hernandez Fonnegra
Frida Ruh
ProfesorAdriana Madriz
Andrés Felipe Valenzuela Castro
Andrea Alexandra Mora Vega
Isaac David Hernández Vallejo
Mateo Montoya Henao
Jose Martínez
Daniel Restrepo
!Tipos de IA
Una clase magistralmente explicada. Muchas gracias
Muy bueno bro
Tienes alguna red social donde compartes ese tipo de notas? déjanos tu LinkedIn o Instagram.
Están increíbles.
Comparto este video como material complementario a la clase:
Muestra la diferencia entre IA, Machine Learning, Deep Learning e IA Generativa.
!Entendiendo las diferencias y relación entre la Inteligencia Artificial, Machine Learning, y Deep Learning. Ejemplos de cómo cada tecnología impacto el mundo actual y futuro.
Y la IA Generativa sería una cuarta muñeca que está dentro del Deep Learning
Buen punto! Definitivamente podría agregarse esa cuarta muñeca.
“La
IAes el campo que busca simular inteligencia humana. Dentro de ella,MLes la forma de entrenar algoritmos condatosen vez dereglas fijas. Y dentro deML,DLusa redes neuronales profundas para procesardatos no estructuradosa gran escala.”
Genial como está explicado el tema.
Se logra una distinción más clara de todo:
La IA, en un contexto básico, funciona al aplicar reglas básicas y estructuradas para lograr un resultado complejo (Psst, diseño de prompts con contexto, necesidad, límites y formato)
El Machine Learning puede ayudar a encontrar patrones no vistos con anterioridad (Puede que me equivoque, pero recuerdo mucho haber visto un documental, en Netflix creo, en el que mencionaban la amplia variedad de productos para la industria farmacéutica, o inclusive para propósitos mucho más turbios, cotejando los diferentes usos de cada componente químico y en proporciones diferentes. Si me acuerdo, lo comparto por aquí.). Así mismo, encontrar factores comunes entre aspectos interdisciplinarios, por irrisorio que suene, por ejemplo (estoy inventando) la relación entre la dieta de un país y la coherencia de sus decisiones políticas. Es encontrar patrones imprevistos y, muchas veces, con potenciales aplicaciones que revolucionen la industria.
El Deep Learning es, básicamente, identificar patrones desconocidos, en el sentido del mundo que nos rodea; el ejemplo de los coches autónomos es el más directo al momento de explicarlo. También vale la pena mencionar todo el tema de herramientas que se manejan dentro de este contexto, como Pytorch y Tensorflow con el análisis de imágenes, si no me equivoco.
Qué opinan?
Hola buenas! creo que después de analizar los conceptos se me ocurre pensar por ejemplo en una aspiradora automática en los tres niveles:
IA: tarea básica de encendido y apagado manual.
ML: detectar cuando hay una pared/objeto y poder girar sobre su eje hacia otro lado para continuar con su tarea de aspirado.
DL: luego de haberse utilizado con frecuencia, haber aprendido internamente las coordenadas del espacio y sin necesidad de chocar contra objetos poder proceder a realizar la tarea de aspirado.
Espero el ejemplo esté correcto, saludos!
🧠Inteligencia Artificial, Machine Learning y Deep Learning
🎯 RELACIÓN ENTRE LOS TRES CONCEPTOS
Metáfora de las muñecas rusas:
🟣 IA (la muñeca grande) → engloba todo
🔵 ML (la muñeca mediana) → forma parte de la IA
🟢 DL (la muñeca pequeña) → está dentro del ML
📍 Cada nivel contiene al siguiente.
🤖 1. INTELIGENCIA ARTIFICIAL (IA)
💡 Qué es
Conjunto de técnicas que permiten que las máquinas imiten la inteligencia humana.
Va desde programas con reglas fijas hasta sistemas que aprenden solos.
⚙️ Tipos principales
🔸 Sistemas basados en reglas ➡️ Instrucciones específicas para cada situación. Ejemplo: termostato que enciende la calefacción si baja de 20°.
🔸 Sistemas expertos ➡️ Simulan el conocimiento de un especialista.
🧩 Características esenciales
✅ Automatización: ejecuta tareas sin intervención humana.
✅ Adaptabilidad: se ajusta a cambios en el entorno.
✅ Razonamiento: analiza información y toma decisiones.
✅ Respuesta a estímulos: reacciona a variaciones (temperatura, luz, etc.).
⚠️ Un simple “if–else” no es IA; es solo código, no inteligencia.
📚 2. MACHINE LEARNING (ML)
💡 Qué es
Subcategoría de la IA que permite que las máquinas aprendan de los datos sin programación paso a paso.
🔍 Diferencia con la programación tradicional
👩💻 Tradicional: el programador dice qué hacer.
🤖 ML: el sistema aprende solo a partir de ejemplos y patrones.
⚡ Cuándo usar ML
✔️ Problemas complejos sin reglas fijas.
✔️ Condiciones que cambian constantemente.
✔️ Grandes volúmenes de datos estructurados.
🧠 Ejemplos
📧 Filtro de spam:
📸 Reconocimiento de imágenes:
🧬 3. DEEP LEARNING (DL)
💡 Qué es
Subcategoría del ML basada en redes neuronales artificiales con muchas capas. 👉 Cuantas más capas, más “profundo” el aprendizaje.
🧠 Analogía musical
🎵 Machine Learning: analiza rasgos definidos (tempo, instrumentos). 🎧 Deep Learning: escucha miles de canciones y aprende solo las diferencias entre estilos.
💡 Cuándo usar DL
✔️ Grandes volúmenes de datos no estructurados (imágenes, texto, audio). ✔️ Tareas de alta complejidad, como:
🔧 4. ELECCIÓN DEL ENFOQUE ADECUADO
🟣 IA tradicional → cuando las reglas son claras
➡️ Ejemplo: semáforos, calculadoras de impuestos
🔵 Machine Learning → cuando hay datos estructurados
➡️ Ejemplo: predicción de precios, detección de fraudes, recomendaciones
🟢 Deep Learning → cuando hay datos no estructurados
➡️ Ejemplo: reconocimiento facial, asistentes virtuales, arte generado por IA
🧭 5. PRINCIPIO DE SIMPLICIDAD
“Un modelo simple que funciona bien es mejor que uno complejo difícil de mantener.” — Andrew Ng
🔹 Principio de parsimonia: Si dos modelos funcionan igual, elige el más simple.
🌍 6. APLICACIONES REALES
🚗 Industria automotriz
🎮 Entretenimiento
💡 En la práctica, los tres enfoques suelen combinarse. Un auto autónomo puede usar:
🔹 Reglas → seguridad.
🔹 ML → rutas óptimas.
🔹 DL → reconocimiento de peatones y señales.
el movimiento excesivo de las manos durante la presentacio, hace que el estudiante pierda el foco de atencion a la clase . Se puede considerar contaminacion visual que canse y se pierda la atencion a la clase
Gracias por el feedback, María! Tratare de prestar más atención a mis manos para que sea algo más intencional y menos instintivo.
Hola! Aquí les dejo el resumen que yo hice del contenido según lo que entendí.
Este
mapaestá escrito en Markdown, un lenguaje de marcado simple y universalmente compatible, que permite crear estructuras visuales como listas y jerarquías que todos los sistemas pueden leer.
Mapa Conceptual: Relación entre IA, Machine Learning y Deep Learning
Relación jerárquica
Cuándo usar cada uno
Requisitos y trade-offs
en Ventas e inventarios (con base de datos):
1. Sector Salud y Medicina Clínica
2. Sector Bancario y Finanzas
3. Logística y Comercio Electrónico (E-Commerce)
