Что такое машинное обучение

Чтобы научиться какому-либо навыку, мы накапливаем знания, тщательно практикуемся и следим за своими результатами. В конце концов, мы становимся лучше в этом деле. Машинное обучение - это техника, которая позволяет компьютерам делать именно это.


Могут ли компьютеры учиться?

Определить интеллект довольно сложно. Мы все знаем, что подразумеваем под интеллектом, когда говорим о нем, но описать его проблематично. Если оставить в стороне эмоции и самосознание, рабочим описанием может быть способность обучаться новым навыкам и усваивать знания, а также применять их в новых ситуациях для достижения желаемого результата.

С учетом сложности определения интеллекта, определение искусственного интеллекта не будет проще. Поэтому мы немного схитрим. Если вычислительное устройство способно делать то, для чего обычно требуется человеческий разум и интеллект, мы будем говорить, что оно использует искусственный интеллект.

Например, умные колонки, такие как Amazon Echo и Google Nest, могут услышать наши устные инструкции, интерпретировать звуки как слова, извлечь значение слов, а затем попытаться выполнить нашу просьбу. Мы можем попросить его включить музыку, ответить на вопрос или приглушить свет.

СООБЩЕНИЕ: Лучшие шутки, игры и пасхальные яйца для Google Assistant

Во всех случаях, кроме самых тривиальных, ваши устные команды передаются на мощные компьютеры в облаках производителей, где искусственный интеллект выполняет тяжелую работу. Команда анализируется, извлекается смысл, подготавливается ответ и отправляется обратно на умную колонку.

Машинное обучение лежит в основе большинства систем искусственного интеллекта, с которыми мы взаимодействуем. Некоторые из них - это предметы в вашем доме, например, умные устройства, а другие являются частью сервисов, которыми мы пользуемся в Интернете. Рекомендации видео на YouTube и Netflix, автоматические списки воспроизведения на Spotify используют машинное обучение. Поисковые системы полагаются на машинное обучение, а интернет-магазины используют машинное обучение, чтобы предлагать вам предложения о покупке на основе вашей истории просмотров и покупок.

Компьютеры могут получать доступ к огромным массивам данных. Они могут неустанно повторять процессы тысячи раз за то время, которое потребуется человеку для выполнения одной итерации - если человек вообще сумеет сделать это один раз. Поэтому, если обучение требует знаний, практики и обратной связи, компьютер должен быть идеальным кандидатом.

Это не значит, что компьютер сможет действительно думать в человеческом смысле, или понимать и воспринимать, как мы. Но он будет учиться и становиться лучше с практикой. Умело запрограммированная, система машинного обучения может произвести достойное впечатление осознающего и сознательного существа.

Мы раньше спрашивали: "Могут ли компьютеры учиться?". Со временем этот вопрос перерос в более практический. Какие инженерные проблемы мы должны преодолеть, чтобы позволить компьютерам обучаться?


Нейронные сети и глубокие нейронные сети

Мозг животных содержит сети нейронов. Нейроны могут передавать сигналы через синапс другим нейронам. Это крошечное действие, повторяющееся миллионы раз, порождает наши мыслительные процессы и воспоминания. Из множества простых строительных блоков природа создала сознание, способность рассуждать и запоминать.

Вдохновленные биологическими нейронными сетями, искусственные нейронные сети были созданы для имитации некоторых характеристик их органических аналогов. С 1940-х годов были разработаны аппаратные и программные средства, содержащие тысячи или миллионы узлов. Узлы, подобно нейронам, получают сигналы от других узлов. Они также могут генерировать сигналы для подачи в другие узлы. Узлы могут принимать сигналы от многих узлов и посылать их одновременно.

Если животное делает вывод, что летающие желто-черные насекомые всегда неприятно его жалят, оно будет избегать всех летающих желто-черных насекомых. Этим пользуется парящая муха. Она желто-черная, как оса, но у нее нет жала. Животные, которые запутались в осах и получили болезненный урок, тоже обходят парящую муху стороной. Они видят летающее насекомое с яркой цветовой гаммой и решают, что пора отступать. Тот факт, что насекомое может парить, а осы - нет, даже не принимается во внимание.

СООБЩЕНИЕ: Это происходит, когда искусственный интеллект Googles помогает вам писать стихи

Важность полета, жужжания и желто-черных полос преобладает над всем остальным. Важность этих сигналов называется взвешиванием этой информации. Искусственные нейронные сети тоже могут использовать взвешивание. Узел не обязательно должен считать все свои входы одинаковыми. Он может отдавать предпочтение одним сигналам перед другими.

Машинное обучение использует статистику для поиска закономерностей в наборах данных, на которых оно обучается. Набор данных может содержать слова, числа, изображения, действия пользователя, например, клики на сайте, или все остальное, что можно зафиксировать и сохранить в цифровом виде. Если система пытается определить цветок, ей нужно знать длину стебля, размер и стиль листа, цвет и количество лепестков и так далее. В реальности ей потребуется гораздо больше фактов, чем эти, но в нашем простом примере мы будем использовать эти. Как только система узнает все подробности об образце, она начинает процесс принятия решения, в результате которого из ее набора данных находится подходящий вариант. Удивительно, но системы машинного обучения сами создают дерево решений.

Система машинного обучения учится на своих ошибках, обновляя свои алгоритмы, чтобы исправить недостатки в своих рассуждениях. Самые сложные нейронные сети - это глубокие нейронные сети. Концептуально они состоят из множества нейронных сетей, наложенных одна на другую. Это дает системе возможность обнаруживать и использовать даже мельчайшие закономерности в процессе принятия решений.

Слои обычно используются для обеспечения весомости. Так называемые скрытые слои могут действовать как "специализированные" слои. Они предоставляют взвешенные сигналы об одной характеристике испытуемого. В нашем примере идентификации цветов, возможно, используются скрытые слои, посвященные форме листьев, размеру бутонов или длине тычинок.


Различные типы обучения

Существуют три основных метода, используемых для обучения систем машинного обучения: контролируемое обучение, неконтролируемое обучение и обучение с подкреплением.


Обучение под наблюдением

Обучение под наблюдением - наиболее часто используемая форма обучения. Это не потому, что оно по своей сути превосходит другие методы. Это связано с тем, что этот тип обучения подходит для наборов данных, используемых в системах машинного обучения, которые создаются сегодня.

В контролируемом обучении данные маркируются и структурируются таким образом, чтобы критерии, используемые в процессе принятия решений, были определены для системы машинного обучения. Именно этот тип обучения используется в системах машинного обучения, создающих предложения плейлистов на YouTube.


Обучение без наблюдения

Обучение без наблюдения не требует подготовки данных. Данные не маркируются. Система сканирует данные, обнаруживает собственные закономерности и выводит собственные критерии срабатывания.

Технологии обучения без контроля применяются в кибербезопасности с большим успехом. Системы обнаружения нарушителей, усовершенствованные с помощью машинного обучения, могут обнаружить несанкционированную сетевую активность нарушителя, поскольку она не соответствует ранее наблюдавшимся моделям поведения авторизованных пользователей.

СООБЩЕНИЕ: Как пересекаются ИИ, машинное обучение и безопасность конечных точек


Обучение с подкреплением

Обучение с подкреплением - самая новая из трех методик. Проще говоря, алгоритм обучения с подкреплением использует метод проб и ошибок и обратную связь, чтобы прийти к оптимальной модели поведения для достижения поставленной цели.

Для этого требуется обратная связь от людей, которые "оценивают" усилия системы в зависимости от того, положительно или отрицательно влияет ее поведение на достижение цели.


Практическая сторона искусственного интеллекта

СООБЩЕНИЕРуководство для начинающих по сервисам машинного обучения AWS

Поскольку оно настолько распространено и имеет очевидные успехи в реальном мире, включая коммерческие успехи, машинное обучение называют "практической стороной искусственного интеллекта". Это большой бизнес, и существует множество масштабируемых коммерческих фреймворков, которые позволяют внедрять машинное обучение в ваши собственные разработки или продукты.

Если у вас нет срочной необходимости в такой мощности, но вы заинтересованы в том, чтобы пошарить в системе машинного обучения с помощью дружественного языка программирования, такого как Python, для этого тоже есть отличные бесплатные ресурсы. Фактически, они будут масштабироваться вместе с вами, если у вас появится дальнейший интерес или деловая необходимость.

Torch - это фреймворк машинного обучения с открытым исходным кодом, известный своей скоростью.

Scikit-Learn - это коллекция инструментов машинного обучения, особенно для использования с Python.

Caffe - это фреймворк глубокого обучения, особенно компетентный в обработке изображений.

Keras - это фреймворк глубокого обучения с интерфейсом Python.

Ваше имя: *
Ваш e-mail: *
Код: Кликните на изображение чтобы обновить код, если он неразборчив
Введите код: