. Пример для иллюстрации Задача: предсказание цены квартиры.

Классическое программирование:

Мы придумали формулу. Но точна ли она? Скорее всего, нет, потому что реальность сложнее.

Машинное обучение:

1. Собираем данные: 10 000 записей о проданных квартирах (площадь, количество комнат, район, этаж, год постройки, цена).

2. Выбираем модель, например, градиентный бустинг.

3. Обучаем модель на 8 000 записей, проверяем на 2 000.

4. Модель сама находит зависимости (например, что в центре цена зависит не только от площади, но и от близости к метро, а в спальных районах важна этажность).

5. Получаем модель, которая для новой квартиры предскажет цену на основе исторических данных.

8. Заключение

Ключевые выводы:

1. Машинное обучение — это подход, при котором программа не пишется явно, а обучается на данных.

2. В традиционном программировании мы задаём правила и получаем результат.

3. В машинном обучении мы задаём данные и желаемые результаты, а получаем модель (правила).

4. ML незаменим там, где правила слишком сложны или неизвестны (распознавание, прогнозирование, кластеризация).

5. Классическое программирование остаётся лучшим выбором для чётко определённых, детерминированных задач.

6. ML — это инструмент, который дополняет, а не заменяет традиционное программирование.

46. Архитектура нейрона и его математическая модель

Искусственный нейрон является базовым элементом искусственных нейронных сетей. Его структура вдохновлена биологическими нейронами, которые находятся в нервной системе человека.

Искусственный нейрон получает входные сигналы, которые представляют собой числовые значения. Каждый входной сигнал имеет определённый вес, который определяет его влияние на результат.

Все входные сигналы умножаются на соответствующие веса и суммируются. Полученное значение затем передаётся через специальную функцию, называемую функцией активации. Эта функция определяет итоговый выход нейрона.

Математическая модель нейрона позволяет нейронным сетям обрабатывать информацию и находить закономерности в данных.

Вопрос 46: Архитектура нейрона и его математическая модель

1. Введение: от биологии к математике

Искусственные нейронные сети (ИНС) вдохновлены работой биологических нейронных сетей — мозга живых организмов. Чтобы понять, как работают искусственные нейроны, нужно сначала кратко рассмотреть их биологический прототип, а затем — математическую абстракцию, которая используется в машинном обучении.

2. Биологический нейрон (кратко)

Биологический нейрон — это specialised клетка нервной системы, которая передаёт электрические и химические сигналы.

Основные части:

• Дендриты (dendrites) — ветвящиеся отростки, которые принимают входящие сигналы от других нейронов.

• Сома (soma, тело клетки) — суммирует поступившие сигналы.

• Аксон (axon) — длинный отросток, по которому выходной сигнал передаётся дальше.

• Синапсы (synapses) — места контакта аксона одного нейрона с дендритами другого. Синапсы могут усиливать или ослаблять сигнал (это основа обучения).

Упрощённая схема работы:

1. Дендриты собирают сигналы от других нейронов.

2. В соме сигналы суммируются (с учётом "веса" каждого синапса).

3. Если сумма превышает некоторый порог, нейрон "активируется" и генерирует импульс, который идёт по аксону к другим нейронам.