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).

Байесовская сеть

Сверточная нейронная сеть

http://playground.tensorflow.org/