Машинный интеллект — это направление технологических исследований. Оно связано с созданием системы, которая способна обучаться самостоятельно. Исследования в области искусственного интеллекта начались в 50-ых годах 20 века. С появлением новых методов в программировании к теме вернулись в 90-ые годы, а в 2000 случился настоящий бум. Сегодня искусственным интеллектом занимается около 900 компаний в мире. Самое пристальное внимание ему уделяют такие компании как:
и другие. Инвестиции в искусственный интеллект в 2016 году составили 2,4 млрд. долларов. Искусственный интеллект широко применяется в самых разных областях, как:
1. lT-сфера: разработка приложений (голосовой помощник Google Assistant, системы автозаполнения в поисковиках от Google и Yandex; обнаружение спама и тд)
2. Рекламные компании (предсказания ухода клиентов)
3. Маркетинговые исследования
4. Медицинская диагностика (анализируя истории
болезней пациентов, можно обнаруживать незаметные для
человека связи и устанавливать неизвестные ранее симптомы опасных заболеваний)
5. Техническая диагностика.
6. Автопилотирование (Беспилотный автомобиль Tesla, WayMo, Airbus).
7. Биоинформатика и в другие сферы. Все это и многое другое работает при помощи машинного интеллекта. С одной стороны такой технический прогресс приносит человеку огромную пользу, взять хотя бы медицинскую диагностику: многие исследования стали быстрыми и доступными, а с другой стороны такой технический прогресс бросает вызов каждому из нас: ведь совсем скоро не нужны будут машинисты в электропоездах, многий обслуживающий персонал заменят компьютеры, такcистов заменят беспилотные автомобили. Поэтому тему машинного обучения я считаю актуальной в настоящее время с научной и практической точки зрения. Нужно не только знать, что существует так называемое машинное обучение, но и понимать как это работает.
В работе я рассмотрю какие бывают виды машинного обучения, как применяется машинное обучение на практике, какие задачи решает.
Основная масса литературы на эту тему написано иностранными авторами, так как наиболее активно изучение машинного обучения, как науки, происходило в США.
Страница 3 Из отечественной литературы я пользовался Хабрахабр (habrahabr.ru).
Машинное обучение (2)
... когда это имеет смысл и необходимо. Цель и задачи исследования Цель данной работы - показать возможности применения машинного обучения в сфере образования на примере обзора существующего опыта, а ... P, улучшается с приобретением опыта E» [4] Таким образом, машинное обучение представляет собой подраздел искусственного интеллекта, стоящий на стыке таких дисциплин, как математика, статистика, теория ...
Где многие авторы размещают свои научные стати. Также я использовал лекции Малого Шада.
Глава I. Как появилось Машинное обучение.
Искусственный интеллект, как научная область стала активно развиваться с 20ых годов XX века. В 1952 году Артур Самуэль создал первую шашечную игру для IBM 701 и чуть позже добавил в эту программу способность к самообучению. Другими словами — компьютер научили играть в шашки. Таким образом, Артура Самуэля можно назвать пионером в области искусственного интеллекта. Учёные разрабатывали алгоритмы, создавали много исследовательских проектов. И в 1959 году им удалось создать первую нейронную сеть. Это время считалось наиболее активным в области разработки нейронных сетей. В то время казалось, что Искусственный интеллект — это близкое будущее, что, в общем, не удивительно, т.к направление прогрессировало невероятно быстро. Компьютеры все чаще обыгрывали лучших шахматистов, а на исследования в области искусственного интеллекта выделялись огромные деньги. Однако, к 1973 году стало понятно, что не все так хорошо, как кажется. В этом году был опубликован так называемый отчет Лайтхилла[1] — документ «Искусственный интеллект: Общий обзор», также известен под названием » Зима Искусственного интеллекта», дающий крайне пессимистические прогнозы для основных направлений отрасли. (Самое интересное, что сам Лайтхилл никакого профессионального отношения к искусственному интеллекту не имел. Он просто анализировал дела в этой области).
Этот отчёт отбросил европейских ученых лет на 5-10 назад, т.к. значительно снизилось финансирование этой области. Но уже имеющиеся достижения ИИ не могли исчезнуть бесследно или ждать лучших времён. Потеря перспективности ИИ, дала толчок для развития многих смежных наук.
И таким направлением, которое выросло из Искусственного Интеллекта стало машинное обучение.
Глава II. Что такое Машинное обучение
Как говорят нам многие научные источники: машинное обучение — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Машинное обучение избавляет программиста от необходимости писать большой код, т.е объяснять компьютеру, как нужно решить какую-нибудь проблему. В процессе машинного обучения компьютер учат самостоятельно находить правильное решение. То есть у нас есть какие-либо известные данные и на основе их мы собираем статистику и уже на новых данных мы учимся что-то понимать( находим новые , ещё не описанные закономерности).
Таким образом: Основная идея машинного обучения состоит в том, чтобы научить компьютер «учиться», т.е. вычленять из каких-либо данных полезные знания.
Надо отметить, что обучение может происходить как до работы программы, так и в процессе выполнения программы. Например, программа для распознавания лиц сначала учится, а затем работает на настоящих данных; программа распознавания спама учится во время исполнения. _____________________ [1] Lighthill, James (1973): Artificial Intelligence: A General Survey // Artificial Intelligence: a paper symposium, Science Research Council
Технологии искусственного интеллекта
... на то, что, по мнению некоторых ученых, искусственный интеллект принципиально невозможен, разработки в области создания систем искусственного интеллекта являются в настоящее время одним из ... методы, успешность исследования. Во-вторых, интеллект подразумевает обработку информации, поэтому важной является проблема представления знаний в системах искусственного интеллекта. В-третьих, существовали и ...
Страница 4
Глава III. Основные способы машинного обучения
На сегодняшний день выделяют два основных типа машинного обучения: дедуктивное обучение (аналитическое) и индуктивное ( статистическое)обучение. Дедуктивное обучение относится к области экспертных систем. Экспертные системы не могут решать универсальные задачи как нейронные сети. Экспертные системы — это большой обьем знаний экспертов (хорошее образование и большой опыт работы)+формализация этих знаний инженерами по знаниям + грамотный код программиста. В итоге мы получаем хорошо составленную базу знаний. Минусом этой системы можно назвать то, что без поддержки разработчиков базы знаний быстро становятся невостребованными.
Дедуктивное обучение (поскольку относится к экспертным системам) решает только узконаправленные специализированные задачи.Имеются знания экспертов и перенос их в в компьютер в виде базы знаний. Во всех задачах дедуктивного обучения имеются знания, каким либо образом отобранные и формализованные. Требуется вывести из них правило, применительно к каждому конкретному случаю.
Что же касается второго типа, то здесь лежит выявление закономерностей в эмпирической информации. (Эмпирическая информация та, которая подтверждает представление об истинности или ложности утверждения).
Обучающийся программе мы предлагаем большое количество примеров данных с закономерностями и на основе полученного опыта программа сама учится строить закономерности. Индуктивное обучение подразделяется на: – Обучение с учителем (supervised learning) — также называют «обучение по прецедентам». – Обучение без учителя (unsupervised learning) — обучение, в котором нет правильных ответов, только данные; – Обучение с подкрепление (reinforcement learning), также называют «стимулируемое обучение» — обучение, в котором агент учится посредством собственных проб и ошибок; – Активное обучение (active learning) — очень похоже на обучение с учителем. Разница состоит в том, что ответы изначально неизвестны. Идея в том, что алгоритм сам может обучаться на малых выборках, если он сам выбирает какие данные ему нужны. То есть алгоритм составляет запросы, ответы на которые ему помогают обучаться. – Частичное обучение — в этом случае большая часть ответов неизвестна.
Более подробно я хочу остановиться на методе обучение с учителем. В этом методе мы обучаемся на задачах, у которых есть правильный ответ. этот метод требует большого человеческого вмешательства, т.к. эти данные человек отбирает вручную. Мы имеем объекты и много разных ответов. Существует некоторая зависимость между объектами и ответами, но какая эта зависимость нам неизвестно. Известна только конечная пара : объект-ответ( прецедент).
Ещё она называется » обучающая выборка». И на основе этой выборки машина создаёт алгоритм, позволяющий ей в дальнейшем решать подобные задачи. Давайте рассмотрим это на примере: Мы хотим , обучить программу находить автомобиль на картинке. Мы загружаем в компьютер фотографии с описанием их содержимого: В программе задаются пары, (которые человек отбирает сам) : картинка- ответ. Ответ представляет собой булевое значение, т.е. машина на картинке либо есть, либо ее нет. Программа анализирует картинки, пытаясь понять форму машины. Затем находит определенные закономерности в конструкции, например это могут быть колеса, и таким образом научится определять есть ли машины на картинке. Но компьютер сначала не сможет выдавать всегда 100% правильные ответы. Все его распознавания — правильные и неправильные попадают в базу данных, алгоритм продолжает совершенствоваться и программа становится умнее.В процессе работы он будет
Разработка алгоритма и программы решения технических задач
... решение задачи Контрольное решение задачи и результат выполнения программы приведены на рис. 6. Рис. 6. Результат выполнения программы для одного из вариантов исходных данных ЗАКЛЮЧЕНИЕ В ходе выполнения курсовой работе ...
Страница 5 самообучаться на взаимодействии с пользователем. Программа может попросить у пользователя отправить отзыв на данный ответ, и получив его программа сделает вывод о правильности ответа. Далее ответ отправляется на проверку модератору, если модератор подтвердит неправильный ответ программы, то программа исправит ответ и начнёт обучаться на новом тесте, где будет уже правильный ответ. Так алгоритм будет продолжать совершенствоваться и программа станет умнее. Решение задачи методом обучения с учителем. Предположим, оператору сотовой связи нужно понять: воспользуется ли клиент услугами компании или нет. Допустим, у компании уже накоплены наблюдения (данные) о некотором количестве людей. Это- их возраст, пол, место работы или учебы, гражданство, семейное положение и т.д. Кроме того, известно, пользуются ли эти люди услугами компании. Тогда общая схема решения задачи может быть такой: На имеющихся положительных (является потребителем услуг компании) и отрицательных (не является потребителем услуг компании) примерах обучить алгоритм – подбирать такие параметры алгоритма, что он будет “узнавать” потребителей компании среди всех имеющихся примеров. В дальнейшем обученный алгоритм можно использовать для определения потенциальных потребителей (по имеющимся о них данным) Таким же образом решается задача кредитного скрининга в банках .
Заключение
В настоящее время крупные компании вкладывают большие средства (инвестиции доходят до 500 млн.долларов) в машинное обучение, потому что данная технология по-настоящему окупается. Через 5 лет это показатель может увеличиться в 10 раз. С каждым годом большие данные становятся все более сложнее и человеку становится уже недостаточно своих аналитических способностей. Некоторые задачи перейдут к искусственному интеллекту, который справится с ними лучше и быстрее ,чем человек. Прогнозируется, что в ближайшее десятилетие искусственный интеллект займет около 7% рабочих мест в России. Часть процессов в организациях автоматизируют и управлять этими процессами поручат самообучающимся алгоритмам. Огромно место займет ИИ в интернете вещей. Интернет вещей требует обработки большого потока информации в реальном времени. Устройства, подключенные к сети генерируют гигантские массивы данных, которые необходимо будет обрабатывать, анализировать и хранить. Как пример, зубные щетки с функцией блютуз, которые будут отправлять информацию о состоянии зубов стоматологу или дроны, которые станут незаменимы в сельском хозяйстве. Они будут собирать информацию о зрелости урожая, о состоянии почвы, о вредителях и болезнях растений. И во всех технологиях будет использовать машинное обучение. Поэтому машинное обучение готовит для нас перспективное будущее и массу интересных инноваций.
