МИНИСТЕРСТВО ЦИФРОВОГО РАЗВИТИЯ, СВЯЗИ И МАССОВЫХ КОММУНИКАЦИЙ РОССИЙСКОЙ ФЕДЕРАЦИИ
Ордена Трудового Красного Знамени Федеральное государственное образовательное бюджетное
учреждение высшего профессионального образования Московский технический университет связи и информатики
Кафедра «Направляющие телекоммуникационные среды»
Введение в информационные технологии
Раздел - Машинное обучение
Лекция №3 – О задачах машинного обучения
2024 г.
Что такое машинное обучение (machine learning)?
Машинное обучение – это подраздел искусственного интеллекта, включающий методы построения алгоритмов, способных обучаться.
Машинное обучение – подраздел ИИ, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, выделяющая знания из данных.
Машинное обучение изучает методы построения алгоритмов, которые могут обучаться из данных и делать прогноз на данных.
Говорят, что компьютерная программа обучается на основе опыта E по отношению к некоторому классу задач T и меры качества P, если качество решения задач из T, измеренное на основе P, улучшается с приобретением опыта E. - T.M. Mitchell Machine Learning. McGraw-Hill, 1997.
2
Чем машинное обучение отличается от искусственного интеллекта?
3
Дедуктивное и индуктивное методы обучения
Способы обучения и в компьютерных системах:
1 - Дедуктивное, или аналитическое, обучение (экспертные системы). Имеются знания, сформулированные экспертом и как-то формализованные. Программа выводит из этих правил конкретные факты и новые правила.
2 - Индуктивное обучение (статистическое обучение). На основе эмпирических данных программа строит общее правило. Эмпирические данные могут быть получены самой программой в предыдущие сеансы ее работы или просто предъявлены ей.
3 - Комбинированное обучение.
4
Сферы приложения
Сферы применения:
1.Компьютерное зрение (computer vision)
2.Распознавание речи (speech recognition)
3.Компьютерная лингвистика и обработка естественных языков (natural language processing)
4.Медицинская диагностика
5.Биоинформатика
6.Техническая диагностика
7.Финансовые приложения
8.Рубрикация, аннотирование и упрощение текстов
9.Информационный поиск
10.и пр.
5
Разделы математики, используемые в машинном обучении
•Линейная алгебра
•Теория вероятностей и математическая статистика
•Методы оптимизации
•Численные методы
•Математический анализ
•Дискретная математика
•и др.
6
Типы задач машинного обучения
Применение
существующих
методов
Применение
существующих методов + частичное исследование
Разработка новых или специализиров анных методов
Таблица 1. Ключевые характеристики решаемых задач
Целесообразно применение |
Целесообразно применение |
|||||
классических методов |
методов машинного обучения |
|||||
|
|
|
||||
Наличие четко формализованного |
Отсутствие четко |
|
||||
алгоритма |
(например, |
поиск |
формализованного алгоритма |
|||
клиентов, которые тратят больше |
решения ввиду высокой |
|
||||
всего |
денежных средств |
чаще |
вариативности решения |
|
||
всего покупают. Так называемая |
(например, распознавание |
|||||
RFM сегментация). |
|
рукописного текста) |
|
|||
|
|
|
||||
Не допускается неопределенность |
Допускается |
неопределенность |
||||
поведения модели (например, |
поведения модели (например, |
|||||
расчет |
местоположения самолета |
предвари |
тельный |
контроль |
||
по строго заданным формулам). |
качества детали, где допускается |
|||||
|
|
|
|
определенная доля брака). |
||
|
|
|
|
|
|
|
Экономическая целесообразность (например, методы МО дают 98% качества, классическое решение дает 90% качества, что является приемлемым, но решение на основе МО в 2 раза дороже и реализуется дольше). Поэтому здесь выбирается приоритетный критерий.
Рисунок 1 -Типы задач |
7 |
машинного обучения |
Проблемы машинного обучения
•Некомпетентность заказчиков
•Отношение к МО как к панацее
•Эффект от внедрения МО можно заметить не сразу
•Кто будет нести ответственность за ошибки модели МО?
•Если модель МО дает правильный ответ, то не совпадение ли это?
•Сколько случаев совпадения с правильным ответом является ли признаком присутствия искусственного интеллекта?
8
Этапы машинного обучения
Тестирование
объекты
Признаковое
описание
тренировочных
объектов
Признаковое
описание
новых
объектов
I этап |
пространство |
|
|
признаков |
|
Анализ задачи |
||
модель |
||
|
||
|
|
II этап
Обученная
модель
Модель
Алгоритм
обучения
III этап
Излечение
Обученная знаний модель из
объектов
Рис. Этапы машинного |
9 |
|
обучения |
||
|
Виды задач в Mашинное обучение
Обучение с учителем
(supervised learning)
Классифи- |
Регрессия |
|
кация |
||
|
Ранжирование
Виды задач в МО
Обучение без |
Обучение с частичным |
Обучение с |
учителя |
привлечением учителя |
подкреплением |
(unsupervised |
(semi-supervised |
(reinforcement |
learning |
learning) |
learning) |
КластериУменьшение зация размерности
10