El aprendizaje automático es una rama de la inteligencia artificial (AI, Artificial Intelligence) que se ocupa de los algoritmos informáticos que pueden mejorarse a sí mismos a través de datos de entrenamiento, sin la necesidad de programaciones explícitas. Muchos lo consideran como el camino más prometedor para alcanzar la verdadera inteligencia artificial, similar a la de los seres humanos.
En líneas generales, los algoritmos de aprendizaje automático pueden clasificarse en las siguientes tres categorías:
En este artículo, encontrará una breve descripción general del aprendizaje automático y el aprendizaje profundo, así como las diferencias entre ambos conceptos.
El aprendizaje profundo es una rama del aprendizaje automático que utiliza redes neuronales artificiales para asemejarse a la inteligencia humana. Inspirado por las neuronas humanas, el aprendizaje profundo utiliza la teoría de grafos para organizar los algoritmos de ponderación en capas de nodos y aristas. Los algoritmos de aprendizaje profundo son excelentes para procesar datos sin estructurar, como imágenes o el lenguaje.
En teoría, para que una red neuronal reciba la clasificación de “profunda” debe contener capas ocultas entre las capas de entrada y de salida de un perceptrón, la estructura base de una red neuronal. Se considera que estas capas están “ocultas” debido a que no tienen conexión alguna con el mundo exterior. Entre los ejemplos de arquitecturas de aprendizaje profundo se incluyen los siguientes:
Experimente una instancia de autoservicio de Pure1® para administrar Pure FlashBlade™, la solución más avanzada de la industria que ofrece almacenamiento de archivos y objetos de escalabilidad horizontal nativa.
El aprendizaje profundo se considera una subcategoría del aprendizaje automático. La diferencia principal que distingue a los algoritmos de aprendizaje profundo de otros algoritmos de aprendizaje automático es el uso de redes neuronales artificiales. Asimismo, la característica principal que hace que una red neuronal se considere “profunda” es la presencia de capas ocultas entre las capas de entrada y de salida que conforman un perceptrón básico.
Los algoritmos del aprendizaje profundo son excelentes para procesar los datos sin estructurar, siempre que se cuente con la capacidad de procesamiento para hacerlo. Debido a esto, cuando se trata del aprendizaje no supervisado y por refuerzo, el aprendizaje profundo cuenta con ventaja sobre los otros algoritmos de aprendizaje automático. Los avances recientes de la AI son, en gran parte, gracias al aumento de la viabilidad de las redes neuronales de aprendizaje profundo, producto de las mejoras en la capacidad de procesamiento y en el almacenamiento de datos.
Pure Storage® se encuentra en una posición única que le permite aprovechar y respaldar el mundo de la AI. Las redes neuronales de aprendizaje profundo requieren de datos que sean grandes y rápidos. En Pure, las soluciones de almacenamiento basado íntegramente en tecnología flash combinan el rendimiento del 100 % de la memoria flash de NVMe con el análisis predictivo accionado por la AI, con el fin de ofrecer una Modern Data Experience™. Con Pure, podrá realizar lo siguiente:
¿Tiene alguna pregunta o comentario sobre los productos o las certificaciones de Pure? Estamos aquí para ayudar.
Programe una demostración en vivo y compruebe usted mismo cómo Pure puede ayudarlo a transformar sus datos en potentes resultados.
Llámenos: 800-976-6494
Medios de comunicación: pr@purestorage.com
Sede central de Pure Storage
650 Castro St #400
Mountain View, CA 94041
800-379-7873 (información general)