Принципы машинного обучения

student

Faculty of Informatics and Management Systems Moscow State Technical University named after N.E.

Bauman

Russia, Moscow Shibanova A.D. student Faculty of Robotics and complex automation Moscow State Technical University named after N.E.

Bauman

Russia, Moscow PRINCIPLES OF MACHINE LEARNING

Annotation:

In this article, we consider the technology of machine learning. Its advantages and advantages are indicated. The problems of machine learning are described. Their classification according to the presence or absence of a teacher in the process of training is considered.

Машинное обучение позволяет программисту не писать программы, учитывающие все варианты развития событий, а заложить в программу возможность самостоятельного нахождения решений с помощью использования имеющих статистических данных, в которых выделяются закономерности и на их основе создаются прогнозы.

Из-за быстрого роста вычислительных возможностей компьютеров во много раз усложнились прогнозы, которые они создают, и расширился круг проблем и задач, которые решает машинное обучение.

Для запуска процесса машинного обучения надо предоставить программе определенное количество исходных данных, необходимых для обучения. К примеру, это могут быть фотографии с присвоенными описаниями: «на фото дом» или «на фото нет дома». Это позволит программе в дальнейшем обнаруживать объекты на фото самостоятельно. Процесс обучения продолжается и в дальнейшем, так как все проанализированные фотографии попадают в базу данных. Поэтому, при увеличении количества обработанных данных увеличивается и качество распознавания.

Разница между машинным обучением и нейронными сетями

Существует много разных алгоритмов, которые используются в технологии машинного обучения. Есть как специфичные, так и алгоритмы, с помощью которых можно решать все задачи, такие как метод опорных векторов, бустинг над решающими деревьями, нейронные сети и т. д. Последний метод (нейронная сеть) - это множество нейронов, представляющих из себя некоторую модель нейрона в человеческом мозге. В такой искусственной сети нейрон, – это некоторая функция из математики (сигмоидная и др.), получающая значение из исходных данных. С помощью нейронных сетей можно искать решения задач классификации и регрессии, стало возможным создание сложных моделей, а с увеличением мощности вычислительных устройств и появлением смартфонов их возможности растут еще быстрее.

Как используют машинное обучение

Алгоритмы, которые используются в машинном обучении, дают возможность решать такие комплексные задачи, как определение, надо ли госпитализировать пациента, страдающего диабетом, по 8 факторам. Обработка текстов и речи — другая обширная область для применения технологий машинного обучения. К примеру, это создание голосовых помощников, таких как Siri или Alexa, онлайн-ботов для интернет- магазинов, отвечающих на входящие запросы клиентов, систем распознавания текста и речи. Создание умных автомобилей, которые способны самостоятельно ориентироваться в пространстве и принимать решения, согласно дорожной обстановке является крупным и важным направлением машинного обучения.

Какие задачи решает машинное обучение

Существует несколько задач машинного обучения:

• 1.    Задача регрессии – составить прогноз, основываясь на некоторой выборке объектов, которые имеют различные признаки. В итоге должны получится числовые данные, например, цена акций и т.д.

• 2.    Задача классификации ставит своей целью выбор ответа из определенной категории, базируя свой выбор на наборе признаков. Имеет конкретный набор ответов, например, да или нет, к примеру: есть ли фотографии енот. Может использоваться для распознавания текста или определения спама.

• 3.    Задача кластеризации –это отнесение информации к какой-либо определенной группе исходя из признаков, например, определение типа объектов.

• 4.    Задача минимизации размерности – минимизация набора признаков объекта, к примеру, для того, чтобы их было удобно представить графически.

• 5.    Задача выявления аномалий – разделение аномалий и стандартных случаев. Задача чем-то схожа с задачей классификации, однако, аномалии встречаются редко и сложно предоставить обучающую выборку.

Рисунок 1. Пример задачи классификации.

Виды задач машинного обучения

Существует два вида задач, которые решаются с помощью машинного обучения: обучение с «учителем» (learning with superviser) и без него (learning without superviser). «Учитель» означает, что человек вмешивается в процесс анализа информации. Предположим, у нас есть данные о определенном наборе квартир. Надо воплотить в жизнь модель, которая будет предсказывать стоимость квартиры на рынке, учитывая её параметры. Есть список параметров квартиры и есть ее рыночная стоимость, таким образом, программе необходимо найти решение для задачи регрессии. Это обучение с учителем.

Машинное обучение без учителя

Если при обучении отсутствует база верных ответов. Например, имеется показаний роста и веса группы людей, данные должны быть распределены по 3 группам. Это задача разделения по кластерам. Необходимо распределить данные по кластерам, но это можно сделать многими способами, единственного верного пути нет.