Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

10545

.pdf
Скачиваний:
1
Добавлен:
25.11.2023
Размер:
6.75 Mб
Скачать

Что такое машинное обучение?

Искусственный интеллект и машинное обучение – не одно и то же. Машинное обучение является лишь одним из подразделов ИИ.

Наиболее распространенными типами машинного обучения — с учителем, без учителя и с подкреплением.

Рисунок 5 – схема разновидностей машинного обучения

27

Обучение с учителем используют когда у разработчиков имеется набор данных и они знают какие именно признаки должен искать алгоритм.

Как правило, оно делится на две категории: классификация и регрессия.

Классификация применяется когда необходимо отнести объекты в заранее известные классы. Данный тип обучения используется в спам-фильтрах, определении языка или выявлении подозрительных транзакций.

Регрессию используют, когда необходимо соотнести объект с временной линией,

например — для прогнозирования стоимости ценных бумаг, спроса на товар или постановки медицинских диагнозов.

28

Обучение без учителя — менее популярный вид МО из-за его непредсказуемости. Алгоритмы обучаются на неразмеченных данных и им необходимо самостоятельно найти признаки и закономерности. Часто используется для кластеризации, уменьшения размерности и поиска ассоциаций.

Кластеризация – это как классификация, но без известных классов. Алгоритм должен сам найти признаки схожести в объектах и объединить их в кластеры. Используется для анализа и разметки новых данных, сжатия изображений или объединения меток на карте.

Уменьшение размерности – обобщает конкретные признаки в абстракции более высокого уровня. Часто используется для определения тематики текстов или создания рекомендательных систем.

Ассоциации нашли свое применение в маркетинге, например — при составлении акций и распродаж или анализа поведения пользователей на сайте. Также может служить для создания рекомендательной системы.

Обучение с подкреплением – это обучение агента выживать в среде, в которой он существует. Средой может быть все что угодно: от видеоигры до реального мира. 29

Обучение с подкреплением предусматривает награду для агента за правильное действие и наказание за ошибки. Алгоритму не обязательно запоминать весь свой предыдущий опыт и просчитывать все возможные варианты развития событий. Он должен научится действовать по ситуации.

Например, существуют алгоритмы, которые играют в Супер-Марио не хуже людей, а в реальном мире автопилот в машинах Tesla или робот-пылесос делают все, чтобы объезжать препятствия на своем пути.

Рисунок 6 – ИИ во время прямой трансляции самостоятельно проходит Марио

30

Что такое нейронные сети и глубокое обучение?

Концепция искусственных нейросетей

не

 

нова. Впервые это понятие сформулировали

 

американские ученые Уоррен Мак-Каллок и

 

Уолтер Питтс в 1943 году.

 

 

Любая нейронная сеть состоит из нейронов и

 

связей. Нейрон – это функция, имеющая

 

множество входов и один выход. Они

 

обмениваются информацией между собой по

 

каналам связи, каждый из которых имеет

 

определенный вес.

 

 

Вес – это параметр, определяющий прочность

 

связи между нейронами. Сам нейрон не

Рисунок 7 – Уоррен Мак-Каллок и Уолтер Питтс

разбирается, что он посылает, поэтому вес

 

необходим для того, чтобы регулировать, на

 

какие входы реагировать, а на какие нет.

 

31

По мере усложнения архитектуры нейросетей, нейроны решили связывать не как угодно, а по слоям. Внутри слоя нейроны никак не взаимодействуют между собой, а получают и передают информацию из предыдущего слоя в следующий.

Как правило, чем больше слоев в нейросети – тем сложнее и точнее модель. Но тогда, 50 лет назад, исследователи уперлись в ограничения вычислительных мощностей. В итоге технология оказалась разочарованием и о ней забыли на долгие

годы.

Глубокое обучение отличается от нейронных сетей лишь в методах обучения сетей больших размеров. На практике, как правило, разработчики не выясняют, какую сеть можно считать глубокой, а какую нет. Сегодня даже для построения сетей на пять слоев разработчики пользуются «глубокими» библиотеками, такими как Keras,

TensorFlow или PyTorch.

32

На сегодняшний день самыми популярными сетями являются сверточные нейросети (CNN) и рекуррентные нейросети (RNN).

CNN часто используется для распознавания лиц, поиска объектов на фотографиях и видео, улучшения качества изображений и прочих задач. Рекуррентным сетям нашли применение в машинном переводе текста и синтезе речи. Например, с 2016 года Google Translate работает на основе RNN-архитектуры.

33

Также популярность нашли генеративносостязательные сети (GAN). В ее основе лежат две нейросети, одна из которых генерирует данные, например — изображение, а вторая пытается отличить правильные образцы от неправильных. Так как две сети соревнуются

между

собой,

между

ними

 

возникает антагонистическая игра.

 

 

GAN часто используется для создания

 

фотореалистичных фотографий. Например,

 

репозиторий

изображений This Person

Does

Рисунок 8 – пример обработки изображения ИИ

Not Exist состоит

из портретных

фото

 

«людей», созданных генеративной

нейросетью.

34

Что такое общий искусственный интеллект?

Создание машины с интеллектом человеческого уровня, которая может быть применена к любой задаче, является Святым Граалем для многих исследователей ИИ, но поиски AGI сопряжены с некоторыми трудностями.

Общий ИИ уже давно является музой антиутопической научной фантастики, в которой сверхразумные роботы наводняют человечество, но эксперты сходятся во мнении, что это не то, о чем нам нужно беспокоиться в ближайшее время.

35

Что такое нейронные сети и глубокое обучение?

Американский изобретатель и футуролог Рэй Курцвейл предсказал, что общий ИИ появится

уже к 2029 году. Его коллега Родни Брукс не

столь оптимистичен, и уверен, что

переломный момент

развития технологий

 

машинного разума произойдет к 2300 году.

 

Стюарт Рассел, один

из авторов учебника

 

«Искусственный интеллекта: современный

 

подход», предполагает, что изобретение AGI

 

станет случайным, как, например, открытие

 

ядерной энергии в 1933 году. Ученый считает,

 

что это яркий пример того, как бессмысленно

Рисунок 9 – Рэй Курцвейл

давать какие-либо прогнозы в развитии столь

непредсказуемой технологии, которая до

 

конца еще не изучена.

36

 

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]