Михаил Богданов: перспективы машинного обучения

23 марта 2017 года в Пензе прошел митап Теплицы социальных технологий на тему «Перспективы машинного обучения». Спикеры Михаил Богданов, консультант в области бизнес-аналитики, и Александр Иванов, профессор, преподаватель Пензенского государственного университета, рассказали участникам о задачах, видах и перспективах машинного обучения.

Сегодня с помощью машинного обучения мы умеем распознавать речь, повышать качество фотографий, изучать особенность заголовков и содержимого статей, выполнять механическую работу, требующую большого количества времени и сил, вместо человека.

Что такое машинное обучение?

Машинное обучение (от англ. machine learning) – обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться.

Понятие «машинное обучение» имеет отношение к таким понятиям, как «искусственный интеллект» и «глубокое обучение».

Все три термина непосредственно связаны друг с другом. Если изобразить это в виде лестницы, то первой ступенью стал термин «искусственный интеллект», который появился в 1950 году. В 1980 году появилось машинное обучение, которое стало частью искусственного интеллекта. С 2010 года принято выделять и такое понятие, как глубокое обучение.

Еще по теме: 4 способа использовать машинное обучение для решения проблем

Искусственный интеллект (от англ. artificial intelligence) – свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека.

Глубокое обучение – это набор алгоритмов машинного обучения, основанных на изучении множества уровней представления и абстракций.

Задачи и виды машинного обучения

Машинное обучение работает с элементарными единицами данных, которые возникают в конкретных задачах. Его главная функция – автоматически определять взаимосвязи между переменными двух групп (наблюдаемыми и скрытыми). Это нужно, чтобы для произвольного объекта по его наблюдаемым данным можно было оценить возможные значения скрытых компонентов.

«В задачи машинного обучения входит прогнозирование, классификация, кластеризация, ранжирование объектов, поиск ассоциативных правил. Целый набор функций, который позволяет производить работу колоссального объема». Александр Иванов, профессор ПГУ.

«Есть два клиента, и банкиру нужно определить, кому из них давать кредит, а кому нет, по наличию наблюдаемых и скрытых переменных. Кто сможет его выплатить, а кто нас разорит. Вот классическая задача машинного обучения». Михаил Богданов, консультант в области бизнес-аналитики.

Виды машинного обучения

Обучение с учителем. Модель содержит набор готовых решений, с помощью которых вычисляются параметры алгоритма.

Неконтролируемое обучение. Способ обучения без учителя, где необходимо искать зависимость между объектами.

Закрепление обучения. Модель занимается оценкой качества решения.

«В первых трех примерах используется обучающий набор данных. Прежде чем выпустить систему в бой, мы ее тренируем либо на исторических данных (для прогноза), либо на данных, подготовленных вручную (для распознавания образов и для спам-фильтра). Последний алгоритм «тренируется» сам по мере поступления данных». Михаил Богданов, консультант в области бизнес-аналитики.

«Сегодня мы говорим не о перспективах машинного обучения, а о том, что оно уже давно «среди нас», то есть применяется повсеместно. А в дальнейшем влияние машинного обучения будет расширяться и углубляться». Михаил Богданов