Что такое машинное обучение? Где применяется? Принцип работы и перспективы

Для начала стоит обрисовать ситуацию, объяснить, что вообще такое Машинное Обучение (eng. Machine Learning), для чего оно нужно, где применяется и что ему светит в будущем. Говоря простым языком, Машинное обучение - это ИИ (Искусственный Интеллект), однако это не совсем точное определение, и далее в статье пойдёт речь об этом.

Как нам говорит Википедия: “Машинное обучение (англ. machine learning, ML) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач.”. Это гораздо более правильное определение, если объяснить его простым языком, то получится нечто подобное: “Машинное Обучение - процесс в котором компьютерная программа пытается решить поставленную задачу, но при неудаче, она не просто начинает заново с тем же алгоритмом, а учитывая свои прошлые ошибки, изменяет алгоритм, до тех пор пока, не добивается решения задачи”.

На самом деле это не так сложно, как звучит, ведь фактически любой из вас, кто знаком с системой “if else” делал пример машинного обучения, пусть это очень грубо говоря, но это соответствует определению, цепочка “if else” учитывает условие и исходя из него меняет алгоритм (также сюда подходит и конструкция “switch case”). В основном ИИ, или же системы с машинным обучением, создаются на языке программирования Python и C++.

Различают два типа обучения:

1. Обучение по примерам, или индуктивное обучение, основано на выявлении закономерностей в данных, то есть компьютеру дана база примеров, он находит в них ошибки, и исходя из них, строит свой алгоритм, который избегает этих ошибок.
2. Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в видебазы знаний, то есть компьютер обучается не с нуля, а исходя из данных знаний и опыта этих самых экспертов.

Где применяется машинное обучение

Я бы мог просто написать - “Везде”. Но это будет недостаточно понятно, поэтому разберём на конкретных примерах. У кого-то из вас наверняка есть iPhone, в них встроен голосовой помощник Siri. Так вот это ничто иное, как искусственный интеллект. Также российская система “Алиса” от “Яндекс”, тоже ИИ, и вообще любой поисковик, будь то DuckDuckGo, Яндекс, Google или Bing, это всё системы с использованием машинного обучения, в той или иной степени.

Также в играх используется ИИ, но здесь у него совершенно не те задачи, что у поисковых систем, взять тот же BeamNG.Drive. Там, если вы ираете на карте с обозначенными для ИИ дорогами, то он будет ехать за вами/уезжать от вас/случайно ехать (зависит от выбранной команды), только по дорогам, и свернёт с них он только за вами/от вас, потому что ему так приказали. Другой пример CS 1.6 при заходе на ранее не используемую карту, происходит процесс изучения карты ботом, это нужно чтобы боты не упирались в стены, не прыгали туда куда запрыгнуть не могут, вобщем чтобы они адекватно перемещались по карте.

Нельзя не упомянуть и про компьютерное зрение, которое на основе данных, о виде человеческого лица, или же другого объекта, который нужно распознать.

Принцип работы

Я уже примерно описал принцип работы, но сейчас залезем в эту тему поглубже.

Имеется множество ситуаций и множество возможных ответов (откликов). Существует зависимость между ответами и объектами, но она неизвестна. Известна только конечная совокупность пар «объект, ответ», называемая обучающей выборкой. На основе этих данных требуется восстановить неявную зависимость, то есть построить алгоритм, способный для любого возможного входного объекта выдать достаточно точный классифицирующий ответ. Эта зависимость не обязательно выражается аналитически, и здесь нейросети реализуют принцип эмпирически формируемого решения. Важной особенностью при этом является способность обучаемой системы к обобщению, то есть к адекватному отклику на данные, выходящие за пределы имеющейся обучающей выборки. Для измерения точности ответов вводится оценочный функционал качества.

Данная постановка является обобщением классических задачупрощения функций. В классических задачах упрощения объектами являются действительные числа или векторы. В реальных прикладных задачах входные данные об объектах могут быть неполными, неточными, вовсе не числами, а как например в вышеупомянутой “Алисе”, звуковой дорожкой (в этом случае, нужно сначала распознать голос то есть перевести его в текст, и только потом действовать), короче говоря разнородными. Эти особенности приводят к большому разнообразию методов машинного обучения.

Перспективы

Безусловно, у машинного обучения есть будущее, это полностью умные дома, офисы и прочие. Это умные часы, но не те, что сейчас, а ещё умнее, ещё более могучие, те, которые могут не просто сказать, что вы сегодня мало двигаетесь, а ещё и связаться с умным холодильником, дать ему команду выдать еду умной мультиварке, дать команду мультиварке - готовить, причём ни что нибудь, а то что необходимо на данный момент человеку. Вобщем перспективы определённо есть, нужно просто сесть и пофантазировать.

Также рекомендую ознакомиться с другими материалами посвященными Машинному обучению. Уже через несколько часов выйдет продолжение по этой теме с примером практического использования машинного обучения. Поставь лайк и поделись статьей с друзьями — это лучший способ помочь развитию сообщества.

Источник: m.vk.com

Комментарии: