- •Основы проектирования кибер- физических систем
- •Высокий уровень разработки
- •Презентации к лекциям доступны по ссылке:
- •Виды данных в КФС
- •Простой анализ данных (аналитические
- •Простой анализ данных
- •Простой анализ данных
- •Простой анализ данных
- •Простой анализ данных
- •Простой анализ данных
- •Простой анализ данных
- •Простой анализ данных
- •Укрупненная схема передачи данных в облако
- •Виды аналитических функций
- •Система правил (продукционная модель)
- •Система правил (продукционная модель)
- •Система правил (продукционная модель)
- •Поточная обработка
- •Поточная обработка
- •Поточная обработка
- •Поточная обработка данных
- •Машинное обучение
- •Виды машинного обучения
- •Области применения машинного обучения
- •Примеры систем машинного обучения
- •Байесовская сеть
- •Сверточная нейронная сеть
- •http://playground.tensorflow.org/
Поточная обработка данных
Машинное обучение
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. Для построения таких методов используются средства математической статистики, численных методов, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.
Виды машинного обучения
●Обучение с учителем – предполагается, что каждая запись в обучающих данных имеет метку. Например, это может быть набор изображений, у каждого из которых есть описание содержимого: кот, собака, банан, автомобиль и т. д. На сегодня многие модели машинного обучения используют этот подход. Обучение с учителем позволяет решать проблемы классификации и регрессии, о которых мы поговорим позже в этой главе;
●Обучение без учителя – обучающие данные не содержат меток. Очевидно, что этот метод не может определить, что именно изображено на картинке. Он использует математические правила для снижения избыточности. Типичный пример применения – поиск скоплений похожих объектов.
●Гибридное
Области применения машинного обучения
Классификация – обучения с учителем, в котором данные используются для подбора имен, значений и категорий.
Регрессия – прогноз непрерывных величин, например, регрессионный анализ можно использовать для предсказания средней цены жилья, исходя из стоимости объектов по соседству и в окрестностях.
Обнаружение аномалий
Примеры систем машинного обучения
Случайные леса – статистические модели (быстрые, подходят для систем со множеством атрибутов, необходимых для обнаружения аномалий).
Байесовские сети – вероятностные модели.
Сверточные нейронные сети – глубокое обучение (модель глубокого обучения для неструктурированных графических данных).
RNN – рекуррентные нейронные сети (модели глубокого обучения для анализа временных рядов).