ЧАСТЬ 3. Уроки от Сушанта

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


ЧАСТЬ 3. Уроки от Сушанта

Что такое машинное обучение и как оно работает???

Основные виды машинного обучения ???

1. Классическое обучение ???

Это простейшие алгоритмы, которые являются прямыми наследниками вычислительных машин 1950-х годов.

Они изначально решали формальные задачи — такие, как поиск закономерностей в расчётах и вычисление траектории объектов. Сегодня алгоритмы на базе классического обучения — самые распространенные.

Именно они формируют блок рекомендаций на многих платформах.

Но классическое обучение тоже бывает разным:???

Обучение с учителем — когда у машины есть некий учитель, который знает, какой ответ правильный.

Это значит, что исходные данные уже размечены (отсортированы) нужным образом, и машине остаётся лишь определить объект с нужным признаком или вычислить результат.

Такие модели используют в спам-фильтрах, распознавании языков и рукописного текста, выявлении мошеннических операций, расчёте финансовых показателей, скоринге при выдаче кредита.

В медицинской диагностике классификация помогает выявлять аномалии — то есть возможные признаки заболеваний на снимках пациентов.

Обучение без учителя — когда машина сама должна найти среди хаотичных данных верное решение и отсортировать объекты по неизвестным признакам.

Например, определить, где на фото собака.

Эта модель возникла в 1990-х годах и на практике используется гораздо реже.

Её применяют для данных, которые просто невозможно разметить из-за их колоссального объёма.

Такие алгоритмы применяют для риск-менеджмента, сжатия изображений, объединения близких точек на карте, сегментации рынка, прогноза акций и распродаж в ретейле, мерчендайзинга.

По такому принципу работает алгоритм iPhoto, который находит на фотографиях лица (не зная, чьи они) и объединяет их в альбомы.

2. Обучение с подкреплением???

Это более сложный вид обучения, где ИИ нужно не просто анализировать данные, а действовать самостоятельно в реальной среде — будь то улица, дом или видеоигра.

Задача робота — свести ошибки к минимуму, за что он получает возможность продолжать работу без препятствий и сбоев.

Обучение с подкреплением инженеры используют для беспилотников, роботов-пылесосов, торговли на фондовом рынке, управления ресурсами компании.

Именно так алгоритму AlphaGo удалось обыграть чемпиона по игре Го: просчитать все возможные комбинации, как в шахматах, здесь было невозможно.

3. Ансамбли?

Это группы алгоритмов, которые используют сразу несколько методов машинного обучения и исправляют ошибки друг друга.

Их получают тремя способами:

Стекинг — когда разные алгоритмы обучают по отдельности, а потом передают их результаты на вход последнему, который и принимает решение;

Беггинг — когда один алгоритм многократно обучают на случайных выборках, а потом усредняют ответы;

Бустинг — когда алгоритмы обучают последовательно, при этом каждый обращает особое внимание на ошибки предыдущего.

Ансамбли работают в поисковых системах, компьютерном зрении, распознавании лиц и других объектов.

ЧАСТЬ 4. Уроки от Сушанта

Что такое машинное обучение и как оно работает?

4. Нейросети и глубокое обучение

Самый сложный уровень обучения ИИ.

Нейросети моделируют работу человеческого мозга, который состоит из нейронов, постоянно формирующих между собой новые связи. Очень условно можно определить их как сеть со множеством входов и одним выходом.

Нейроны образуют слои, через которые последовательно проходит сигнал.

Все это соединено нейронными связями — каналами, по которым передаются данные.

У каждого канала свой «вес» — параметр, который влияет на данные, которые он передаёт.

ИИ собирает данные со всех входов, оценивая их вес по заданным параметрами, затем выполняет нужное действие и выдаёт результат. Сначала он получается случайным, но затем через множество циклов становится все более точным.

Хорошо обученная нейросеть работает, как обычный алгоритм или точнее.

Настоящим прорывом в этой области стало глубокое обучение, которое обучает нейросети на нескольких уровнях абстракций.

Здесь используют две главных архитектуры:

Свёрточные нейросети первыми научились распознавать неразмеченные изображения — самые сложные объекты для ИИ.

Для этого они разбивают их на блоки, определяют в каждом доминирующие линии и сравнивают с другими изображениями нужного объекта;

Рекуррентные нейросети отвечают за распознавание текста и речи.

Они выявляют в них последовательности и связывают каждую единицу — букву или звук — с остальными.

Нейросети с глубоким обучением требуют огромных массивов данных и технических ресурсов.

Именно они лежат в основе машинного перевода, чат-ботов и голосовых помощников, создают музыку и дипфейки, обрабатывают фото и видео.


Источник:
Fatal error: Call to undefined function getPostSource() in /var/www/u36739/data/www/ai-news.ru/news-det.php on line 158