Загрузил WolFeRRor

Машинное-обучение-для-чайников

реклама
МАШИННОЕ ОБУЧЕНИЕ ДЛЯ ЧАЙНИКОВ
Выполнил Бурдаев М.А ПИ-11
Преподаватель
ОГЛАВЛЕНИЕ
РАЗБИРАЕМСЯ С ТЕРМИНАМИ
•
Искусственный интеллект — название всей области знаний.
•
Машинное обучение — это раздел искусственного интеллекта.
•
Нейросети — самый популярный вид машинного обучения.
ТРИ КИТА МАШИННОГО ОБУЧЕНИЯ
•
Цель машинного обучения — предсказать результат по входным данным. Чем
разнообразнее входные данные, тем проще машине найти закономерности и тем
точнее результат.
•
Данные
•
Признаки
•
Алгоритм
ДАННЫЕ
•
Способы сбора данных:
•
Вручную (долго, мало, безошибочно)
•
Автоматически.
•
Использование пользователей для бесплатной разметки
ПРИЗНАКИ
•
Features
•
Признак
ВВЕДЕНИЕ
•
Понятие машинного обучения.
Машинное обучение это ветвь развития искусственного интеллекта, которая
предусматривает не использование машиной заранее написанного алгоритма, а
обучению её методам написания этого алгоритма.
ЗАДАЧИ МАШИННОГО ОБУЧЕНИЯ
•
Задача Регрессии
•
Задача Классификации
•
Задача Кластеризации
•
Задача Уменьшения размерности
•
Задача Выявления аномалий
ЗАДАЧА РЕГРЕССИИ
•
Это прогноз на основе выборки объектов с различными признаками.
•
На вход подаются данные о объектах, обладающих различными признаками.
•
На выходе обязательно должно получиться вещественное число (2, 35, 4.8 и др)
•
Простые примеры
цена квартиры, стоимость ценной бумаги через полгода.
ЗАДАЧА КЛАССИФИКАЦИИ
•
Это получение категориального ответа на основе набора признаков.
•
Имеет конечное количество ответов (как правило, в формате «да» или «нет»).
•
Простые примеры.
Изображён ли на фотографии кот, есть ли на фотографии конкретный человек.
ЗАДАЧА КЛАСТЕРИЗАЦИИ
•
Это распределение данных на группы.
•
На вход подаются данные о некоторых объектах.
•
На выходе получаются группы, сформированные из объектов, на основе
совпадающих признаков.
•
Простые примеры.
Распределение котов по цвету (чёрный, белый, рыжий и др.), распределение живых
существ по царствам (грибы, растения, животные и пр.)
УМЕНЬШЕНИЕ РАЗМЕРНОСТИ
•
Это сведение большого числа признаков к меньшему (обычно 2–3) для удобства их
последующей визуализации.
•
На входе подаются данные об объектах.
•
На выходе получаются ключевые признаки объекта(позволяющие отличить его от
других)
•
Простой пример.
Отделение людей от котов по внешним признакам.(таким ключевым признаком
будет наличие хвоста.)
ЗАДАЧА ВЫЯВЛЕНИЯ АНОМАЛИЙ
•
Это отделение аномалий от стандартных случаев.
•
Не является задачей классификации
•
Простой пример.
Единственный пятнистый кот среди одноцветных.
МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ
•
Обучение с учителем
•
Обучение без учителя
•
Обучение с подкреплением
ОБУЧЕНИЕ С УЧИТЕЛЕМ
•
Обучение происходит методом стимул-реакция.
•
для каждого обучающего объекта принудительно задаётся «правильный ответ», и
требуется найти зависимость между стимулами и реакциями системы.
•
В результате многократного повторения вырабатывается алгоритм, с помощью
которого нужно обработать данные чтобы получить требуемый результат с нужной
точностью.
•
Пример: выяснить является ли письмо спамом.
ОБУЧЕНИЕ БЕЗ УЧИТЕЛЯ
•
Испытуемая система спонтанно обучается выполнять поставленную задачу, без
вмешательства со стороны экспериментатора.
•
Как правило, это пригодно только для задач, в которых известны описания
множества объектов (обучающей выборки), и требуется обнаружить внутренние
взаимосвязи, зависимости, закономерности, существующие между объектами.
•
Пример: соединение негативного и позитивного отзыва в интернете.
ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ
•
Чаще относится к обучению с учителем, хотя этим учителем и не является человек.
•
Испытуемая система (агент) обучается, взаимодействуя с некоторой средой.
Откликом среды (а не специальной системы управления подкреплением, как
это происходит в обучении с учителем) на принятые решения являются сигналы
подкрепления.
Скачать