Ai ml что это: Искусственный интеллект и машинное обучение (AI / ML)

Содержание

Что означают разные термины искусственного интеллекта

Вы часто слышите разное об Искусственном интеллекте (AI), Машинном обучении (ML) и даже Глубоком обучении (DL). Как и что правильно называть? Может это одно и то же? Люди постоянно подменяют эти термины.

Искусственный интеллект, машинное обучение и глубокое обучение — каждая из областей — подмножество предыдущей области. Искусственный интеллект — обобщающая категория для машинного обучения. А машинное обучение — обобщающая категория для глубокого обучения.

Реально нашумело в последнее время глубокое обучение. Именно эта область искусственного интеллекта и машинного обучения решает множество интересных задач в последние годы, начиная с продаж в продуктовых магазинах и заканчивая автомобилями с самоуправлением.

Искусственный интеллект (AI)

Почему мы так много слышим о нём? Кто-то приписывает его Элону Маску и Сэму Альтману. Маск всё чаще рассуждает об этике искусственного интеллекта. Предполагаю, он использует это понятие как жаргонный термин знакомый из научно-фантастического СМИ.

AI — широкая сфера, охватывающая несколько подкатегорий, методов и алгоритмов. Область искусственного интеллекта основывается на цели сделать машину настолько же умной как человек — это буквально основная и главная цель. Чёткой задачей исследователей, собравшихся в Дартмуте в 1956 году, было программировать компьютеры по образу человеческого мозга. Там и родился искусственный интеллект в привычном для нас виде.

Цели AI

Исследователи расширили главную цель списком из основных шести позиций.

1) Логическое рассуждение. Приспособить компьютеры выполнять сложные сознательные задачи, на которые способны люди. Примеры решения таких задач с логическим рассуждением включают игру в шахматы и решение алгебраических задач определенного класса.

2) Представление знаний. Позволить компьютерам описывать объекты, людей и языки. Примеры включают объектно-ориентированные языки программирования, такие как Smalltalk.

3) Планирование и навигация. Дать возможность компьютеру добираться из пункта А в пункт Б. Например, первый самоуправляемый робот был построен в начале 1960-х.

4) Обработка естественного языка. Адаптировать компьютер к пониманию и обработке языка. Один из первых проектов в этой области был попыткой переводить английский на русский и наоборот.

5) Восприятие. Приспособить компьютер взаимодействовать с миром через зрение, слух, прикосновения и запах.

6) Эмпирический интеллект. Другими словами — интеллект, который не запрограммирован явно, а формируется постепенно из других целиком искуственно-интеллектуальных особенностей. Концепция этой цели — компьютеры, которые симулируют эмоциональный интеллект, моральное суждение и другие свойства.

Узнайте больше об операционных системах

У нас есть курс по операционным системам. Зарегистрированные пользователи могут пройти его бесплатно. Другие бесплатные курсы можно найти по ссылке.

Области искусственного интеллекта

Вот шесть основных алгоритмов и технических приёмов искусственного интеллекта, которые точнее категоризируют основные цели:

1) Машинное обучение — область искусственного интеллекта, которая делает компьютеры способными учиться, без необходимости их явного программирования.

2) Поиск и оптимизация. Такие алгоритмы, как Градиентный спуск, для итерационного нахождения максимальных или минимальных значений в пространстве поиска.

3) Удовлетворение ограничений — это процесс поиска решений при ограничениях, которые задают свои условия: найденные переменные должны удовлетворять этим ограничениям.

4) Логическое рассуждение. Пример логического рассуждения в искусственном интеллекте — это экспертная компьютерная система, которая моделирует способность принимать решения как человек.

5) Вероятностное рассуждение — это объединение мощности теории вероятности (для управления неопределённостью) с мощностью дедукционной логики (для использования структуры формальных параметров). Результат — более насыщенное и выразительное представление потока данных с широким спектром возможных областей применения.

6) Теория контроля (управления)

— это формальный метод для поиска слоёв управления, у которых есть доказуемые свойства. Обычно это система дифференциальных уравнений, которые описывают физическую систему, вроде робота или авиационного транспорта.

Машинное обучение (ML)

Машинное обучение — это подгруппа AI. Технология, в которой мы даём данные компьютеру и позволяем ему самому себя обучать. Идея, что компьютеры должны быть способны обучаться самостоятельно, появилась у Артура Сэмуэля в 1959 году.

Что делает машинное обучение таким важным? Крупный прорыв, который привёл к тому, что машинное обучение стало движущей силой AI — изобретение интернета. Интернет принёс возможность генерации, хранения и доступности огромного количества цифровой информации для анализа. Вы много слышали о Больших данных. Алгоритмы машинного обучения — самый эффективный инструмент использования Больших данных.

Нейросети

Нейросети — популярный компонент некоторых самых успешных алгоритмов машинного обучения и их базовый (определяющий) элемент. Разработка нейронных сетей была ключевым моментом в обучении компьютеров мыслить и понимать мир подобно тому, как его видит и понимает человек. Фактически нейросеть моделирует человеческий мозг. Клетки человеческого мозга — нейроны, соединены с помощью синапсисов (областей контакта клеток между собой). Это переведено в абстракцию в виде графа узлов (нейронов), соединённых взвешенными рёбрами (синапсисами). Для более подробного ознакомления с нейронными сетями можете почитать Overview of Neural Networks.

(Эта нейронная сеть состоит из одного слоя, трёх вводов и одного вывода. Нейронная сеть может состоять из любого количества слоёв, вводов и выводов.)

Читайте также

Как я стал программистом в 33 года: история успеха студента Хекслета.

Глубокое обучение (DL)

Алгоритмы машинного обучения были движущей силой искусственного интеллекта. А самый эффективный из всех алгоритмов ML — Глубокое обучение.

Глубокое обучение включает несколько слоёв вычислений. В данном случае «глубокое» подразумевает «большое» число слоёв. Глубокое обучение может состоять из 20 или 1000 слоёв, но не меньше 2-3. Оно недавно набрало обороты не только из-за огромного количества данных доступных благодаря интернету, но так же из-за возросшей мощности вычислений за последнее десятилетие. В частности, GPU значительно увеличили вычислительные мощности благодаря параллельным вычислениям. Как вы возможно уже догадались, глубокое обучение имеет высокую способность к параллелизации.

(Эта нейронная сеть состоит из двух слоёв, трёх вводов и одного вывода. Слои между нейронами ввода и конечным слоем нейронов вывода — скрытые слои глубокой нейросети.)

Лучшая демонстрация глубокого обучения — Глубокие Нейросети (Deep Neural Networks, DNN). Это просто нейросети у которых больше 2-3 слоёв. Ещё один алгоритм глубокого обучения — менее популярный — Глубокая сеть доверия (Deep Belief Network, DBN). DBN имеет ненаправленные связи между некоторыми слоями. Это значит, что топология DNN и DBN отличается по определению. Ненаправленные слои в DBN называются Ограниченными машинами Больцмана (Restricted Boltzmann Machines).

Это перевод статьи Luis Bermudez Overview of Artificial Intelligence Buzz.

Я хочу изучать AI и машинное обучение. С чего мне начать? | by Саша Азарова | NOP::Nuances of Programming

Как начать?

На каких платформах учиться? Какие курсы лучше выбрать?

Однозначного ответа нет. Учебный процесс у всех складывается по-разному. Некоторые люди лучше учатся по книгам, другие по видео.

Важнее не то, как начать, а почему вы это начинаете.

Начните с определения причины.

  • Почему вы хотите изучать эти навыки?
  • Вы хотите много зарабатывать?
  • Вы хотите создавать что-то интересное?
  • Вы хотите что-то изменить в нашем мире?

Опять же, нет единственно верной причины. Все они верны по-своему.

Наличие “почему” означает, что в трудные времена у вас будет к чему обратиться за помощью, чтобы напомнить себе, почему вы все это затеяли.

Определили свое “почему”? Хорошо. Пришло время перейти к самой трудной части.

Я могу рекомендовать только то, что сам пробовал.

Вот курсы, которые я окончил (по порядку):

  • Treehouse — Введение в Python
  • Udacity —Глубокое обучение и AI
  • Coursera — Глубокое обучение от Andrew Ng
  • fast.ai — Часть 1, скоро будет Часть 2

Я лучше воспринимаю визуальную информацию, то есть когда мне наглядно показывают и объясняют разные вещи. Все эти курсы заточены на таких как я.

Если вы абсолютный новичок, начните с вводных курсов по Python, а затем, когда станете более уверены в своих знаниях, переходите к data science, машинному обучению и AI.

Нужны ли углубленные знания по математике?

Самый высокий уровень математического образования, который я получил, был еще в старшей школе.

Остальное я узнал через Khan Academy, поскольку эти знания были мне необходимы.

Существует большое количество мнений по поводу того, какой уровень знаний по математике нужно иметь, чтобы попасть в сферу машинного обучения и AI. Я поделюсь с вами своим мнением.

Если вы хотите применить знания ML и методы AI к какой-либо проблеме, вам не обязательно нужно иметь глубокое понимание математики, чтобы достичь хорошего результата.

Такие библиотеки, как TensorFlow и PyTorch позволяют создавать, при небольшом знании Python, современные модели, в то время как математика делает основную работу за кулисами.

Если же вы собираетесь углубиться в машинное обучение и AI, поступив в университет или куда-то еще, глубокие знания по математике играют наиважнейшую роль.

Лично я не собираюсь углубляться в математику и улучшать производительность алгоритма на 10%. Оставлю это людям, которые умнее меня.

Вместо этого, я буду использовать доступные мне библиотеки и манипулировать ими как мне угодно, чтобы решать проблемы по своему усмотрению.

Что на самом деле делает специалист по машинному обучению?

То, что специалист по машинному обучению делает на практике, может оказаться совсем не тем, о чем вы думаете.

Например, несмотря на распространенный факт, мы не работаем с роботами, у которых красные и страшные глаза.

Вот несколько вопросов, которые ежедневно задает себе специалист по ML:

  • Концепция — как можно использовать ML, чтобы узнать больше о проблеме?
  • Данные —сколько данных вам требуется? В каком формате они должны быть? Что вы делаете, когда данные отсутствуют?
  • Моделирование — какую модель следует использовать? Хорошо ли она работает с данными (переобучение)? Если работает плохо, то почему?
  • Производство — как вы можете использовать свою модель в производстве? Должна ли это быть онлайн-модель или она должна обновляться через определенные промежутки времени?
  • Будущее — что произойдет, если ваша модель сломается? Можно ли улучшить ее с большим количеством данных?

Я позаимствовал эти вопросы из замечательной статьи Рейчел Томас, одной из основательниц fast. ai.

Кроме того, я снял видео о том, чем мы занимаемся по понедельникам в Max Kelsen.

Понимание AI и ML для разработки мобильных приложений

Дата публикации Dec 21, 2018

Последний раз я публиковалэтов блоге, где я рассказывал об одном приложении AI и ML — «Vision», а также кратко рассказывал об использовании комплекта ML в мобильной разработке — облачной платформы, предлагаемой Google для интеграции функций ML в приложения для Android и iOS. Эта статья является приквелом к ​​этой, и в этом я собираюсь объяснить самые основы искусственного интеллекта и машинного обучения. Я расскажу немного о различных видах машинного обучения и о том, как все это происходит, когда мы видим, что приложение Google Photos обнаруживает наши лица или когда Gmail предлагает нам полные предложения, чтобы поставить их в качестве ответа.

AI и ML являются ветвями информатики, и один блог не может отдать должное этим темам, и я также не претендую на звание профессионала в этих областях, но для нашей цели начать использовать ML в мобильных приложениях мы обязаны получить некоторое базовое понимание того, что эти термины.

ИИ определяется как — имитация поведения человека машинами или компьютерами. ИИ имеет дело с той областью науки, цель которой состоит в том, чтобы заставить машины или компьютеры демонстрировать тот же уровень интеллекта, сообразительности, артикуляции и художественных качеств, что и люди. Уровень и применение ИИ варьируются. Например, если есть гипотетический гуманоид, который может мыть посуду, чистить машину и готовить еду, мы назовем это продуктом искусственного интеллекта, но также будет программное обеспечение, способное понимать речь и распознавать, является ли тон в речи злым. завистливый или веселый. ИИ огромен, и в нем много аспектов: есть наука о данных, которая помогает собирать, классифицировать и обрабатывать данные, есть алгоритмы, помогающие понять и применять интеллектуальные черты, а затем — машинное обучение. ОД является частью ИИ, которая выполняет задачу обучения и подготовки программ, способных принимать решения. Эти программы снабжаются огромным количеством данных, используют алгоритмы для обработки данных и обучения этим данным, чтобы при получении нового ввода он мог принимать решение.

Кошка или Собака — Использование нейронной сети для зрения

В последние несколько лет ИИ становится горячим, но это не новая концепция, которая существует с 70-х годов. Но только теперь стало возможным использовать его практически для решения проблем из-за наличия высокой вычислительной мощности, аппаратного обеспечения и огромных данных, необходимых для этого. ML требует не несколько тысяч, а миллионы элементов данных для работы, чтобы обучать модели и давать надежный результат.

ML можно разделить на три категории:

  1. Обучение под наблюдением — когда мы снабжаем алгоритмы ML тоннами данных, которые помечены, то есть помечены результатами. Эти данные имеют сегменты или метки, прикрепленные к записям. В этом типе обучения мы обучаем систему тому, как распознать новый ввод на основе данных, которые мы уже предоставили.
  2. Обучение без учителя — когда данные не помечены или не классифицированы. В этом случае система не знает об конечной точке успеха или сбоя, поскольку у нее нет доступных указаний. В таком случае система пытается отсортировать доступные данные и создать шаблоны с заданной информацией и сохраняет эти шаблоны. Теперь, когда поступает новый вход, он пытается сопоставить вход с сохраненными шаблонами и назначить выбранный шаблон для него.
  3. Усиленное обучение — это тип обучения без присмотра. В этом обучении также входные данные не имеют маркировки bu, когда успех достигнут, они передаются обратно в систему, чтобы указать, что вычет i успешен. Это улучшает будущие результаты.

Понимание ML требует от нас соблюдения следующих условий:

  • Данные
  • модель
  • Подготовка
  • Решение
  • Опыт

ML программы кормят огромное количестводанныевпоездЭто. Отподготовка,он изучает правила проблемы и собираетопыт.С опытом, он становится способным приниматьрешениекогда новая проблема представлена ​​ему. Кроме того, работая над новыми данными и задачами,адаптируютсяв новых ситуациях. Как и люди, он «учится во время работы». Например, если нам нужно создать решатель шахмат, использующий машинное обучение, мы не будем много писать, если / будем принимать решение для каждого хода, вместо этого мы будем кормить программу ML некоторыми очень фундаментальными правилами наряду со многими данные предыдущих шахматных игр. С этими данными он научится и в конечном итоге станет способен принимать решения о том, что делать дальше.

Создание и обучение моделей является очень важной частью создания вашей системы ML. Модель — это набор предварительно обработанных данных и выбранных алгоритмов, которые работают с этими данными, чтобы вывести выходные данные. Создание модели является сложной процедурой и носит итеративный характер Для нашего варианта использования мы начнем с некоторых фундаментальных правил и выбранных алгоритмов и начнем снабжать нашу систему большим количеством данных об использовании. Данные — это предыдущие записи, которые мы собрали в системе. Например, в случае системы обнаружения мошенничества в банке данные будут представлять собой историю кредитных и дебетовых транзакций всех пользователей. Используя эти данные, сначала мы создаем различные «модели-кандидаты», которые затем используются и опробуются на новых наборах данных, и наблюдается их производительность. На основе показателя успеха выбирается и разворачивается лучшая модель для подачи новых вариантов использования. С новыми входящими данными выбранная модель принимает решение и на этом пути приобретает больше опыта и адаптируется к постоянно расширяющимся вариантам использования.

Обучение и использование модели ML Создание модели ML — итеративный характер процесса
  • Обработка изображений — это наиболее типичный вариант использования ML. В этом алгоритме ML используются для обнаружения различных объектов в данном изображении. Это относится к «контролируемому обучению», когда система ML снабжается множеством помеченных изображений, содержащих различные объекты. Таким образом, модели ML обучены идентифицировать объекты. Google Assistant и Google Photos являются хорошими примерами этого. Наборы AWS Rekognition и Firebase ML предоставляют API для этой функции.
  • НЛП и распознавание речи — обработка естественного языка и распознавание речи — это еще один очень известный и развитый вариант использования ML. Обнаружение письменного текста и определение его подлинника и смысла очень полезно. Существуют различные решения для интеграции, включая Google Cloud ML и различные предложения от AWS — Amazon Transcribe, Translate и Lex.
  • Диагностика. Одним из определяющих факторов в мире для ОД и ИИ является медицинская диагностика. Медицинский сектор вместе с учеными ИИ разработали системы, которые могут обнаружить возможность возникновения рака и других заболеваний, используя клеточное зрение и другие данные, включая историю болезни пациента.
  • Прогнозы. Используя исторические данные, модели ML могут сделать выводы о будущих событиях, таких как обнаружение мошенничества в бизнесе, прогнозы поведения клиентов или предсказания природных явлений.
Первая картина, созданная программой AI

Есть несколько направлений на выбор в зависимости от того, сколько мощности, гибкости хотят разработчики, насколько конкретен их вариант использования. Мы можем выбирать из готовых, полностью выпеченных предложений ИИ от Google Cloud или платформ AWS, или мы можем развернуть наши собственные пользовательские модели.

  • Модель TensorFlow / Keras — Tensor Flow — это система машинного обучения с открытым исходным кодом от Google. Tensor Flow — это универсальная среда ML, которая охватывает широкий спектр вариантов использования. Это наиболее широко используется для разработки и развертывания моделей ML. Keras — это высокоуровневый Python API для создания и обучения моделей глубокого обучения. Он был разработан независимо, но теперь является частью Tensor Flow после приобретения Google.
  • PyTorch от Facebook — эта библиотека от Facebook является библиотекой глубокого изучения, основанной на Python. Это в основном используется для приложений, таких как обработка естественного языка. Это также с открытым исходным кодом. Основное преимущество PyTorch заключается в том, что он использует мощь графического процессора для решения сложных математических задач. Он используется исследователями глубокого обучения в качестве предпочтительной библиотеки. Это можно сказать как расширенную версию более ранней известной библиотеки Python для математики, которая называется numPy, но она лучше и быстрее, потому что она использует графический процессор.
  • Google Cloud ML / Cloud Vision — платформа Google Cloud vision — это часть предложения ML от Google, которая специально занимается компьютерным зрением или «анализом изображений». При этом для анализа изображений доступно несколько функций, таких как обнаружение текста, распознавание лиц, модерация содержимого и т. Д.
Главная страница Google Cloud Vision Демонстрация API облачного видения
  • Firebase ML kit с TensorFlow Lite — Firebase ML kit — младший брат Cloud Vision API, ориентированный на разработчиков мобильных приложений. Комплект ML предоставляет простые в использовании облачные API для обработки изображений, таких как распознавание текста, распознавание лиц, сканирование штрих-кодов, обнаружение объектов и обнаружение логотипов. Это обеспечивает возможность обработки на устройстве или в облаке.
  • Комплект AWS — AWS также предоставляет широкий спектр функций ML из коробки. Эти функции включают в себя анализ изображений (AWS Rekognition), речь в текст (AWS Transcribe), перевод (AWS Translate), чат-бот (AWS Lex), преобразование текста в речь (AWS Polly) и множество других функций. Среди них AWS Rekognition охватывает самые распространенные случаи использования, связанные с анализом изображений, такие как распознавание текста и объектов, обнаружение и распознавание лиц и другие.
AWS Rekognition
  • OpenCV- безусловно, самая известная библиотека по компьютерному зрению и машинному обучению, которая действительно мощная, простая в использовании и с открытым исходным кодом. Он доступен для разных платформ, включая Android Эта библиотека действительно проста в использовании, и разработчики используют ее для создания действительно крутых приложений, связанных с компьютерным зрением, таких как обнаружение лиц или конкретных объектов и принятие решений на основе этого.
  • Kaggel- очень полезное место для разработчиков ИИ, чтобы получить наборы данных / модели для их конкретных случаев использования. Имеет более 10 000 наборов данных, отвечающих различным требованиям и областям. Например, если вы хотите создать детектор улыбок в режиме реального времени, вам нужно проверить, улыбается ли обнаруженное лицо или нет. Вам понадобится зрелый набор данных для создания и подготовки вашей модели. Вы получите это от Kaggle. Kaggle был приобретен Google в 2017 году.
Наборы данных Kaggle (www.kaggle.com)

tl; dr. Если ваше требование относится к общим случаям использования, таким как анализ изображений, анализ текста или распознавания или анализ видео, вы можете использовать готовые решения, предоставляемые AWS или Google Cloud. Если вам нужна некоторая настройка существующих моделей или вы хотите развернуть существующую модель, вы можете использовать TensorFlow / Keras и если вы хотите решить новую проблему с помощью собственного решения, вы можете пойти по пути создания и обучения вашей модели с помощью PyTorch или TF и разверните его, используя любое облачное решение. Kaggel — очень хороший репозиторий для данных, доступных по широкому спектру вариантов использования.

Оригинальная статья

10-минутная выжимка по лучшему курсу ИИ от сооснователя Google Brain

{«id»:175652,»url»:»https:\/\/vc.ru\/ml\/175652-kak-ponyat-chto-pora-vnedryat-ii-v-biznes-10-minutnaya-vyzhimka-po-luchshemu-kursu-ii-ot-soosnovatelya-google-brain»,»title»:»\u041a\u0430\u043a \u043f\u043e\u043d\u044f\u0442\u044c, \u0447\u0442\u043e \u043f\u043e\u0440\u0430 \u0432\u043d\u0435\u0434\u0440\u044f\u0442\u044c \u0418\u0418 \u0432 \u0431\u0438\u0437\u043d\u0435\u0441: 10-\u043c\u0438\u043d\u0443\u0442\u043d\u0430\u044f \u0432\u044b\u0436\u0438\u043c\u043a\u0430 \u043f\u043e \u043b\u0443\u0447\u0448\u0435\u043c\u0443 \u043a\u0443\u0440\u0441\u0443 \u0418\u0418 \u043e\u0442 \u0441\u043e\u043e\u0441\u043d\u043e\u0432\u0430\u0442\u0435\u043b\u044f Google Brain»,»services»:{«facebook»:{«url»:»https:\/\/www. facebook.com\/sharer\/sharer.php?u=https:\/\/vc.ru\/ml\/175652-kak-ponyat-chto-pora-vnedryat-ii-v-biznes-10-minutnaya-vyzhimka-po-luchshemu-kursu-ii-ot-soosnovatelya-google-brain»,»short_name»:»FB»,»title»:»Facebook»,»width»:600,»height»:450},»vkontakte»:{«url»:»https:\/\/vk.com\/share.php?url=https:\/\/vc.ru\/ml\/175652-kak-ponyat-chto-pora-vnedryat-ii-v-biznes-10-minutnaya-vyzhimka-po-luchshemu-kursu-ii-ot-soosnovatelya-google-brain&title=\u041a\u0430\u043a \u043f\u043e\u043d\u044f\u0442\u044c, \u0447\u0442\u043e \u043f\u043e\u0440\u0430 \u0432\u043d\u0435\u0434\u0440\u044f\u0442\u044c \u0418\u0418 \u0432 \u0431\u0438\u0437\u043d\u0435\u0441: 10-\u043c\u0438\u043d\u0443\u0442\u043d\u0430\u044f \u0432\u044b\u0436\u0438\u043c\u043a\u0430 \u043f\u043e \u043b\u0443\u0447\u0448\u0435\u043c\u0443 \u043a\u0443\u0440\u0441\u0443 \u0418\u0418 \u043e\u0442 \u0441\u043e\u043e\u0441\u043d\u043e\u0432\u0430\u0442\u0435\u043b\u044f Google Brain»,»short_name»:»VK»,»title»:»\u0412\u041a\u043e\u043d\u0442\u0430\u043a\u0442\u0435″,»width»:600,»height»:450},»twitter»:{«url»:»https:\/\/twitter. com\/intent\/tweet?url=https:\/\/vc.ru\/ml\/175652-kak-ponyat-chto-pora-vnedryat-ii-v-biznes-10-minutnaya-vyzhimka-po-luchshemu-kursu-ii-ot-soosnovatelya-google-brain&text=\u041a\u0430\u043a \u043f\u043e\u043d\u044f\u0442\u044c, \u0447\u0442\u043e \u043f\u043e\u0440\u0430 \u0432\u043d\u0435\u0434\u0440\u044f\u0442\u044c \u0418\u0418 \u0432 \u0431\u0438\u0437\u043d\u0435\u0441: 10-\u043c\u0438\u043d\u0443\u0442\u043d\u0430\u044f \u0432\u044b\u0436\u0438\u043c\u043a\u0430 \u043f\u043e \u043b\u0443\u0447\u0448\u0435\u043c\u0443 \u043a\u0443\u0440\u0441\u0443 \u0418\u0418 \u043e\u0442 \u0441\u043e\u043e\u0441\u043d\u043e\u0432\u0430\u0442\u0435\u043b\u044f Google Brain»,»short_name»:»TW»,»title»:»Twitter»,»width»:600,»height»:450},»telegram»:{«url»:»tg:\/\/msg_url?url=https:\/\/vc.ru\/ml\/175652-kak-ponyat-chto-pora-vnedryat-ii-v-biznes-10-minutnaya-vyzhimka-po-luchshemu-kursu-ii-ot-soosnovatelya-google-brain&text=\u041a\u0430\u043a \u043f\u043e\u043d\u044f\u0442\u044c, \u0447\u0442\u043e \u043f\u043e\u0440\u0430 \u0432\u043d\u0435\u0434\u0440\u044f\u0442\u044c \u0418\u0418 \u0432 \u0431\u0438\u0437\u043d\u0435\u0441: 10-\u043c\u0438\u043d\u0443\u0442\u043d\u0430\u044f \u0432\u044b\u0436\u0438\u043c\u043a\u0430 \u043f\u043e \u043b\u0443\u0447\u0448\u0435\u043c\u0443 \u043a\u0443\u0440\u0441\u0443 \u0418\u0418 \u043e\u0442 \u0441\u043e\u043e\u0441\u043d\u043e\u0432\u0430\u0442\u0435\u043b\u044f Google Brain»,»short_name»:»TG»,»title»:»Telegram»,»width»:600,»height»:450},»odnoklassniki»:{«url»:»http:\/\/connect. ok.ru\/dk?st.cmd=WidgetSharePreview&service=odnoklassniki&st.shareUrl=https:\/\/vc.ru\/ml\/175652-kak-ponyat-chto-pora-vnedryat-ii-v-biznes-10-minutnaya-vyzhimka-po-luchshemu-kursu-ii-ot-soosnovatelya-google-brain»,»short_name»:»OK»,»title»:»\u041e\u0434\u043d\u043e\u043a\u043b\u0430\u0441\u0441\u043d\u0438\u043a\u0438″,»width»:600,»height»:450},»email»:{«url»:»mailto:?subject=\u041a\u0430\u043a \u043f\u043e\u043d\u044f\u0442\u044c, \u0447\u0442\u043e \u043f\u043e\u0440\u0430 \u0432\u043d\u0435\u0434\u0440\u044f\u0442\u044c \u0418\u0418 \u0432 \u0431\u0438\u0437\u043d\u0435\u0441: 10-\u043c\u0438\u043d\u0443\u0442\u043d\u0430\u044f \u0432\u044b\u0436\u0438\u043c\u043a\u0430 \u043f\u043e \u043b\u0443\u0447\u0448\u0435\u043c\u0443 \u043a\u0443\u0440\u0441\u0443 \u0418\u0418 \u043e\u0442 \u0441\u043e\u043e\u0441\u043d\u043e\u0432\u0430\u0442\u0435\u043b\u044f Google Brain&body=https:\/\/vc.ru\/ml\/175652-kak-ponyat-chto-pora-vnedryat-ii-v-biznes-10-minutnaya-vyzhimka-po-luchshemu-kursu-ii-ot-soosnovatelya-google-brain»,»short_name»:»Email»,»title»:»\u041e\u0442\u043f\u0440\u0430\u0432\u0438\u0442\u044c \u043d\u0430 \u043f\u043e\u0447\u0442\u0443″,»width»:600,»height»:450}},»isFavorited»:false}

7049 просмотров

Основы машинного обучения за 10 минут: краткое содержание курса от самого Andrew Ng — профессора Стэнфорда, сооснователя платформы Coursera, сооснователя Google Brain и вице-президента Baidu от разработчиков VisionSystems.

Как пройти месячный курс по искусственному интеллекту (ИИ) за 10 минут?

Меня зовут Максим Савченко, я основатель компании, которая занимается компьютерным зрением VisionSystems. Мы создаем законченные продукты на базе машинного обучения, усаживаясь таким образом на двух стульях компетенций: продуктовой и технологической.

Для нас важно, чтобы клиенты также понимали всю ценность ML и все ограничения. Для этого и будет достаточно почитать нашу краткую версию месячного курса от Andrew Ng по машинному обучению. Мы сами прошли этот курс и советуем его пройти полностью на платформе coursera. Не обещаем, что после этого курса вы начнете разрабатывать проекты ML, но точно будете его понимать.

Часть 1: что такое машинное обучение и сферы его применения

Рост искусственного интеллекта (ИИ) был в значительной степени обусловлен машинным обучением. Самым частым в использовании называют тип ИИ, который изучает A-B или сопоставления (А)ввода-(В)вывода. Это называется контролируемым обучением. То есть все машинное обучение строится по принципу ввод-вывод. У вас есть А и В, это ваши данные. И от того, как вы определите, что такое А и что такое В, будет обучаться ваш интеллект.

К примеру, у вас есть кот. Точнее, его картинка. А еще точнее, много картинок. Это данные «А» на входе. А потом есть ответы ИИ, когда мы даем ему новую картинку, которую он еще не видел (это B ответы ИИ). Правильно обученный ИИ корректно проанализирует картинку и скажет, на ней кот или нет. Но могут быть и ошибки и об этом дальше.

Искусственный Интеллект делится на два типа:

  • Ограниченный (Artificial Narrow Intelligence, ANI) — ИИ, который создан для решения конкретных задач. Например, угадывать изображения, играть в шахматы.
  • Общий (Artificial General Intelligence, AGI) — универсальный искусственный интеллект, который находится на одном уровне с человеческим и способен решать множество разнообразных задач.

С одной стороны, переход от входа к выходу (от А к В) кажется довольно ограниченным. Но когда вы находите для этого правильный сценарий применения, это может быть невероятно ценным. Идея контролируемого обучения существует уже много десятилетий. Но за последние несколько лет прогресс стал настолько очевидным.

Для того, чтобы ваш ИИ работал и приносил результаты, вам нужен объем данных, которые ИИ и будет анализировать. Качество в этом случае также важно, как и количество: все зависит от вашей цели, и, скажем, если вы хотите научить интеллект определять, где велосипед, а где машина, то данные о том как выглядят котики вам вряд ли помогут.

Данные в машинном обучение играют крайне важную роль. Именно по ним ИИ и учится, выдавая в последствии результат. Существуют несколько типов данных: неструктурированные и структурированные. Первые — тот тип данных, который очень легко интерпретировать: изображения, звук или текст. Есть определенные типы методов искусственного интеллекта, которые могут работать с:

  • изображениями, чтобы распознавать кошек;
  • аудио, чтобы распознавать речь;
  • текстами — чтобы понимать, что электронная письмо-это спам;

Структурированные данные — данные, которые живут в гигантской электронной таблице, и методы работы с неструктурированными данными немного отличаются от методов работы со структурированными данными.

Для того, чтобы правильно использовать данные, лучше всего взять команду, специализирующуюся на машинном обучении. ИИ — команда покажет, какие данные вам ввести, чтобы интеллект правильно определял кота среди всех собак. Если совсем просто, то портрет кота вам нужен, а вот сила нажатия одной лапки на поверхность — нет.

Каким бывает Машинное Обучение?

Всего есть 3 вида:

  • С учителем (Supervised machine learning).
  • Без учителя (Unsupervised machine learning).
  • Глубокое обучение (Deep learning).

С учителем:
Учитель дает компьютеру dataset: вводную информацию (количество комнат, желаемая цена, площадь дома и тд) , а затем сразу же дает ему данные о лучшем варианте дома. И чем больше будет вводных, тем точнее будет анализ.

Так работают программы, которые распознают объекты на фото – программа просматривает миллионы изображений с описанием того, что на них изображено, находит общие черты и уже сама учится давать описания изображениям.

После обучения учитель даёт ей фото без описания объектов, а программа спрашивает «это дерево?». Если учитель отвечает «да», то программа понимает, что сделала правильные выводы.

По такому же принципу ИИ может определять дефекты на объектах

Систему распознавания объектов можно использовать для практически любой отрасли: будь то беспилотные автомобили, которые с помощью этой технологии объезжают препятствия, или сельское хозяйство, чтобы следить за животными или их безопасностью.

Без учителя (Unsupervised machine learning)

Вот более простой пример – игра «змейка», где программа сама выбирает траектории, основываясь на данных о том, как далеко от нее находятся какие-то объекты. И, если программа получает больше очков, то расценивает это как положительный ответ и учится в том же направлении

Такой подход хорош там, где есть неочевидное решение. Отличный пример — маркетинг: ИИ не понимает, что предлагать похожий товар человеку, который в нем не нуждается, нелогично, даже если это приносит деньги.

Также нейросети могут обучаться в паре. Так работает генеративно-состязательная сеть (GAN). Она состоит из сетей G и D – первая генерирует образцы на основе реальных изображений, а вторая пытается отличить подлинные образцы от сгенерированных.

Такая технология применяется в восстановлении качества изображений, или недостающих объектов на нем. Вспомните, когда вы убирали лишние детали с фото — вот это оно и есть. Кстати, одна из компаний, которая использует GAN, –Facebook.

Глубокое обучение

Глубокое обучение может быть как с учителем, так и без, но оно подразумевает под собой анализ Big Data – настолько большой информации, что одного компьютера будет недостаточно. Поэтому Deep Learning использует для работы нейронные сети.

Нейронные сети позволяют разделить одну большую задачу на несколько маленьких и делегировать их другим устройствам. Например, один процессор собирает информацию и передает ее двум другим. Те, в свою очередь, анализируют ее и передают еще четырем, которые выполняют еще какие-то задачи и передают следующим процессорам.

Что нужно делать, чтобы преобразовать ваше предприятие с помощью ИИ:

  • Выполняйте пилотные проекты, чтобы получить быстрый результат.
  • Создайте собственную ИИ-команду.
  • Обеспечьте широкое ИИ-обучение.
  • Разработайте ИИ-стратегию.
  • Развивайте внутренние и внешние коммуникации.

Список шагов, которые рекомендует делать Andrew Ng на своем курсе Andrew Ng

1. Выполняйте пилотные проекты, чтобы получить быстрый результат

Для ваших первых ИИ-проектов гораздо важнее, чтобы они были успешно завершены, чем им быть особенно ценными. Проекты должны быть довольно значимыми, чтобы первые успехи помогли вашей компании познакомиться с ИИ, а также убедить других в вашей компании инвестировать в дальнейшие ИИ-проекты. Они не должны быть настолько малы, чтобы другие сочли это тривиальным. Важно, чтобы маховик вращался и ваша ИИ-команда могла набирать обороты.

Для первых ИИ-проектов можно предложить следующие характеристики:

  • В идеале для новой или внешней ИИ-команды (которая может не обладать глубокими знаниями вашего бизнеса) должна быть возможность сотрудничать с вашими внутренними командами (которые обладают знаниями в бизнесе) и создавать решения ИИ, которые показывают результат в течение 6-12 месяцев.
  • Проект должен быть технически осуществим. Слишком много компаний начинают проекты, которые невозможно реализовать, используя современные технологии искусственного интеллекта. Доверившись ИИ-инженерам, сделайте проверку проекта до старта, что увеличит вашу уверенность в его осуществимости. У вас должна быть чёткая и измеримая цель, которая создаёт ценность для бизнеса.

2. Создайте собственную или наймите ИИ-команду

В то время как аутсорсинговые партнёры с большим техническим опытом ИИ могут помочь вам быстрее получить первоначальный импульс, в долгосрочной перспективе будет эффективнее выполнять некоторые проекты с собственной командой ИИ. Что вам ближе — исключительно ваш выбор

Наём ИТ-директора (CIO) в период увеличения влияния интернета стал важным моментом для многих компаний для разработки единой стратегии использования интернета. Напротив, компании, проводившие множество независимых экспериментов — от цифрового маркетинга и экспериментов с анализом данных (data science) до запуска новых веб-сайтов — не смогли использовать возможности интернета, когда эти небольшие пилотные проекты не смогли масштабироваться для преобразования остальной части компании.

Основные обязанности ИИ-подразделения:

  • Создавать возможности ИИ для поддержки всей компании.
  • Инициировать начальные межфункциональные ИИ-проекты для поддержки различных подразделений. После завершения первоначальных проектов настраивать повторяющиеся процессы для непрерывной доставки ценных ИИ-проектов.
  • Разрабатывать согласованные стандарты найма и удержания персонала.
  • Разрабатывать общекорпоративные платформы, которые будут полезны для разных подразделений и вряд ли будут разработаны отдельным подразделением. Например, сотрудничать с CTO / CIO / CDO для разработки единых стандартов хранилищ данных (data warehouse).
  • Подразделения во многих компаниях подчиняются генеральному директору (CEO). С новым ИИ-подразделением (AI) вы будете иметь возможность применять ИИ-таланты к различным подразделениям для реализации межфункциональных проектов.

В настоящее время идёт война за специалистов по ИИ, и, к сожалению, большинству компаний будет трудно быстро нанять отличного специалиста. Тем не менее, обучение вашей существующей команды также может быть хорошим способом получить много новых специалистов внутри компании.

3. Обеспечьте широкое ИИ-обучение.

С ростом цифрового контента, в том числе MOOC (Massive Online Open Courses, массовых открытых онлайн-курсов), таких как Coursera, электронных книги и видео на YouTube, становится всё более рентабельным обучать большое количество сотрудников.

ИИ изменит многие виды деятельности. Вы должны обучить всех тому, что им понадобится для адаптации к новым ролям в эпоху ИИ. Консультация с экспертом позволит вам разработать индивидуальный учебный план для вашей команды.

4. Разработайте ИИ-стратегию

ИИ-стратегия направит вашу компанию к созданию ценности, а также к созданию защитных сооружений. Как только команды начнут видеть успехи первоначальных ИИ-проектов и сформируют более глубокое понимание ИИ, вы сможете определить места, в которых ИИ может создать наибольшую ценность, и сосредоточить ресурсы в этих областях.

Некоторые руководители будут думать, что разработка ИИ-стратегии должна стать первым шагом. Но, большинство компаний не смогут разработать продуманную ИИ-стратегию, пока у них не будет некоторого базового опыта в области ИИ, который они могут получить в шагах 1-3. То, как вы строите защитные сооружения, также эволюционирует вместе с ИИ.

Вот один из подходов:

Используйте ИИ для создания преимущества, специфичного для вашей отрасли: вместо того, чтобы пытаться конкурировать «в целом» в ИИ с ведущими технологическими компаниями, такими как Google, я рекомендую вместо этого стать ведущей компанией ИИ в вашей отрасли, где разработка уникальных возможностей ИИ позволит вам получить конкурентное преимущество. То, как ИИ влияет на стратегию вашей компании, зависит от конкретной отрасли и ситуации.

План ИИ-трансформации: как управлять компанией в эпоху ИИ?

Например, ведущие поисковые веб-системы, такие как Google, Baidu, Bing имеют огромный ресурс данных, показывающий, на какие ссылки нажимает пользователь после различных поисковых запросов. Эти данные помогают компаниям создать более точные поисковые движки, которые, в свою очередь, помогают им привлечь больше пользователей, что, в свою очередь, приводит к получению ещё большего количества пользовательских данных.

Данные являются ключевым активом для систем искусственного интеллекта. Таким образом, крупнейшие ИИ-компании также имеют сложную стратегию в области данных (data strategy). Ключевые элементы вашей стратегии данных могут включать в себя:

  • Сбор данных. Да, можно построить обучение и на небольшом количестве данных, но лучше иметь их чуть больше, чем нужно. ИИ-команды используют очень сложные многолетние стратегии для сбора данных, а конкретные стратегии их сбора зависят от отрасли и ситуации. Например, у Google и Baidu есть множество бесплатных продуктов, которые не монетизируются, но позволяют им получать данные для получения прибыли в других местах.
  • Единые хранилища данных: Вместо разброса различных баз данных по различным подразделениям, рассмотрите возможность их централизации в одном или в небольшом количестве хранилищ.

5. Развивайте внутренние и внешние коммуникации

ИИ существенно повлияет на ваш бизнес. Вы должны информировать об ИИ-технологиях все ключевые заинтересованные стороны, в той степени, в которой это затрагивает их интересы. Вот что вам следует принять во внимание для каждой аудитории:

Отношения с инвесторами: ведущие компании, такие как Google и Baidu, в настоящее время являются гораздо более дорогими компаниями отчасти из-за их ИИ-возможностей и влияния, которое ИИ оказывает на их доходы. Объяснение того, как ИИ создаёт ценность для вашей компании и описание ваших растущих возможностей ИИ вместе с продуманной ИИ-стратегией поможет инвесторам правильно оценить вашу компанию.

Отношения с государством: компании в отраслях с высоким уровнем регулирования (беспилотные автомобили, здравоохранение) сталкиваются с уникальными проблемами, чтобы оставаться в рамках закона. Разработка достоверного и убедительного рассказа, объясняющего ценность и преимущества, которые ваш ИИ-проект может принести отрасли или обществу, является важным шагом в укреплении доверия и доброжелательности. Это должно сочетаться с непосредственным общением и постоянным диалогом с регулирующими органами по мере внедрения вашего проекта.

Обучение клиентов и пользователей: ИИ, вероятно, принесёт значительные выгоды вашим клиентам, поэтому убедитесь, что распространены соответствующие маркетинговые материалы и дорожная карта продукта.

Специалисты / набор персонала: из-за нехватки ИИ-специалистов хороший бренд работодателя оказывает значительное влияние на возможности привлекать и удерживать таких специалистов. ИИ-инженеры хотят работать над интересными и значимыми проектами. Скромные усилия, чтобы продемонстрировать ваши первоначальные успехи, могут иметь большое значение.

Компании активно используют разработки ИИ во всех сферах, мы вам сейчас рассказали лишь основные аспекты использования Машинного обучения и как оценить его востребованность в конкретно вашем случае.

В целом, для кооперации с ИИ подходят разные бизнесы:

  • которые понимают что хотят получить на выходе, но не до конца понимают что должно быть на входе;
  • которые отлично знают что за данные отдать на вход ИИ, но не уверены что желают получить;
  • и те, которые на перепутье, и не до конца понимает что на вход, что на выход.

Но во всех вариантах не хватает осознания, насколько полезен будет ИИ для конкретного случая, чтобы получать больше прибыли или уменьшать издержки. А может, нет смысла даже выделять бюджет на проверку гипотез из-за того, что в их бизнесе это неприменимо.

В любом случае, такие вопросы решает консультация с командой разработки, которая и подскажет, стоит ли вообще начинать внедрять ИИ в свой бизнес, или стоит повременить с подобными технологиями. Мы считаем, что компании, которые специализируются на ML должны в первую очередь развивать рынок и быть ответственными. Например, у нас процесс мозгового-штурма происходит на основе опыта уже реализованных проектов, учета уже реализованных примеров из индустрии и понимания применимости конкретного кейса в реальности. Такой метод работы нужен, чтобы понимать запросы рынка и расширения кейсов.

Рынок машинного обучения надо развивать, чтобы люди сами понимали, какую ценность оно может принести и когда, наоборот, не стоит пока в это лезть. Как пример, мы стараемся делиться лучшими практиками и помогать с разбором кейсов с помощью экспертизы на первых шагах или как развивать уже работающие AI продукты. Например, нужно третье мнение или помощь в проверке новых гипотез.

Ссылка на полный, обучающий курс:

А вот ссылка на мой ФБ, на случай вопросов или в комментариях:

MICROSOFT AZURE AI/ML ТРЕНИНГ В GODEL TECHNOLOGIES: КАК ЭТО БЫЛО

Когда в неминуемой утренней пробке разговариваешь с собственным телефоном, пытаясь узнать погоду на завтра или адрес ближайшего банкомата, сложно поверить в то, что когда-то гордился функцией полифонии все в том же собственном телефоне. Искусственный интеллект незаметно стал чем-то самим собой разумеющимся, и если камера на парковке ТЦ не читает номер автомобиля, мы наверняка злимся, но уж никак не умиляемся самому факту того, что маленький черный кругляш отказывается поднимать для нас шлагбаум…

В потоке общего хайпа Godel Technologies тоже устроили себе экспресс-погружение в футуристический мир умных компьютеров, пригласив в один из своих минских офисов Microsoft Cloud & Data Solutions Architect Робина Лестера для проведения внутреннего тренинга по машинному обучению. Обучались в закрытом формате, тем не менее, компания всегда готова поделиться впечатлениями, которых за два дня теории и практики накопилось достаточно.

Виктор Некрасов, VP Engineering .NET

Все началось с беседы о том, как Microsoft могут помогать Godel Technologies в обучении и повышении квалификации. Сейчас, когда у нас есть несколько сертификатов Gold Microsoft Partner, особенно важно не стоять на месте, постоянно развиваться и прокачиваться. Решили далеко не ходить и сразу задать планку – организовать тренинг по Artificial Intelligence и Machine Learning. Мероприятие заинтересовало такое количество сотрудников, что изначальная задумка провести его только лишь внутри .NET подразделения оказалась нерациональной – участвовали ребята из всех подразделений.

В первый день Робин делился теорией: основы машинного обучения, что это такое и зачем оно нужно сегодня человечеству. Теория в IT приветствуется не с таким энтузиазмом, как практические занятия, но без нее никуда. Да и некоторые интересные факты освежили в памяти, например, про знаковый матч 1997 года между компьютером Deep Blue и чемпионом мира по шахматам Гарри Каспаровым, когда человек впервые в истории уступил машине. Аудитория заметно оживилась, когда перешли к описанию алгоритмов ML, преимуществ и недостатков. По вовлеченным выражениям лиц было видно, что ребятам действительно интересно, хоть некоторым и довольно сложно из-за английского языка и отсутствия глубоких математических знаний.

Фидбэк по второму дню отличный, все в восторге. Не без основания: ребята выполняли практические задания, сами в реальности обучали модель, пробовали как-то играться с данными, стараясь при этом не перекормить модель. Да-да, есть в ML такое понятие overfeed, когда из-за большого количества «скормленной» информации модель хорошо работает с тестовыми данными, но с реальными ошибается. Все активно общались с Робином, задавали вопросы, сидели кружком даже что-то обсуждали. Вот так, на мой взгляд, и должны выглядеть живые тренинги.

Занимаясь организацией, я прежде всего хотел, чтобы люди посмотрели, как это все работает, чтобы для будущих проектов по Machine Learning были подготовлены все члены команды, будь то разработчики, тестировщики или бизнес-аналитики, чтобы ребята хотя бы знали лексику, не пугались и могли обсуждать конкретные задачи с заказчиком. И соответственно свои сферы ответственности подстраивали и корректировали в рамках подобных ML проектов.

Мы понимаем, что за один день презентации невозможно рассказать обо всех алгоритмах, хоть она и была в 359 (!) слайдов. Но начало положено и уже принесло результат – желание учиться дальше. Поэтому на этом сотрудничество с Microsoft не заканчивается, в этом мы уверены.

Алена Борикова, Junior .NET Software Engineer

Первый день тренинга был посвящен долгим лекциям, но мне еще было интересно посмотреть на самих разработчиков Microsoft. Робин оказался очень дружелюбным, хоть и немного стеснительным, видно, что человек искренне поглощен любимой работой. Сидеть и слушать иногда было нелегко, хотелось поскорее уже самой что-нибудь попробовать.

Когда мы выполняли лабораторные работы, помогло то, что к каждому заданию прилагалась поэтапная инструкция. Все довольно просто: прочитал – сделал, если что-то не получилось – спросил у соседа. Спасибо талантливой команде разработчиков Microsoft – каждый инструмент / библиотека / API были очень понятны и удобны в использовании. В целом было интересно посмотреть, что есть у Microsoft для нейронной сети. Единственное, чего не хватило, это самим попрактиковаться написать нейронную сеть или алгоритм машинного обучения.

Юрий Зевакин, Lead .NET Software Engineer

Свое участие в тренинге Microsoft я нахожу очень поучительным. Модная тема Machine Learning привлекает сегодня многих, словно научная фантастика, она будоражит ум и воображение. И вроде бы многое становится понятным после просмотра обучающих видео на YouTube, но при первой попытке реализовать свою, даже очень простую, идею сталкиваешься с массой мелких вопросов, ответы на которые получить достаточно сложно, и энтузиазм быстро угасает. (Делюсь выводами из личного опыта.)

Интернет сообщество в конкретных вопросах машинного обучения еще только развивается, и порог входа в реальный проект продолжает оставаться высоким. Кроме знания языков программирования необходим серьезный математический бэкграунд. Глобально, пока не хватает знаний в оценке трудоемкости ML проектов, сложно понимать, сколько времени займет обучение нейронной сети до получения полезного результата. Отсюда возникают риски, которые «отговаривают» многих от коммерческой реализации своих идей. Чтобы во всем этом разбираться, нужны знания и опыт.

Что же показали нам Microsoft? В ходе семинара мы совершили «краткий пробег» по теории машинного обучения, рассмотрели классификацию алгоритмов и цели их применения. Нейронные сети, как ни странно, являются лишь одним из типов алгоритмов ML. История показывает, что идея машинного обучения достаточно стара и пережила много взлетов и падений. Сейчас происходит очередная научно-техническая революция, когда возросшие технические возможности помогают взглянуть на старые задачи под другим углом, и ML дает ошеломляющие результаты. Думаю, что этим и обусловлено желание компании Microsoft познакомить с этой темой как можно больше людей и предоставить им богатый набор инструментов для экспериментов и творчества.

Я много читал по теме Machine Learning, и уже вижу большую пропасть между теорией и практикой. На семинаре мы смогли сделать этот важный шаг на примерах простых задач предсказания, классификации данных, распознавания образов и т.д. Как все это работает, помог понять классный инструментарий Azure Learning Studio, который позволяет экспериментировать с ML задачами без утомительного написания базового кода.

Эпоха больших данных ставит непростые задачи по их анализу, и каждый программист так или иначе столкнется с этой темой в ближайшем будущем.

Все это здоровенный пласт знаний, который нельзя получить за два дня, но начало положено. Я сам не все до конца понял, но свет в конце тоннеля зажегся сильнее. Забурлили с новой силой идеи. Появилось желание наступить на пару новых «граблей». Спасибо, Microsoft.

Искусственный интеллект и машинное обучение AI/ML

Искусственный интеллект (ИИ), машинное обучение… Чем отличаются? ИИ (AI, Artificial Intelligence) означает, что компьютер тем или иным образом имитирует поведение человека. Машинное обучение (ML, Machine Learning) — это подмножество ИИ, состоящее из методов, которые позволяют компьютерам делать выводы на основе данных и предоставлять ИИ-приложениям.

Что такое ИИ?

Искусственный интеллект как академическая дисциплина появился в 1956 году. Цель, как и сейчас, тогда заключалась в том, чтобы заставить компьютеры решать задачи, которые считались подвластными исключительно людям: те, что требовали интеллекта. Первоначально исследователи работали над такими задачами, как игра в шашки и решение логических головоломок.

Взглянув на результаты одной из таких программ игры в шашки, можно было увидеть за их ходами какую-то форму «искусственного интеллекта», особенно когда компьютер вас побеждал. Первые успехи вызвали у исследователей почти безграничный энтузиазм по поводу потенциала ИИ, который однако не соответствовал тому, насколько сложными могли оказаться решения отдельных задач.

Искусственный интеллект, следовательно, относится к выводам компьютера. Компьютер делает что-то «умное», поэтому он демонстрирует интеллект, интеллект искусственный.

Сам термин «ИИ» ничего не говорит о том, как именно эти задачи решаются. Между тем существует множество различных методов, в том числе основанных на правилах или экспертных системах. И одну категорию методов стали особенно широко использовать в 1980-х годах — машинное обучение.

Что такое машинное обучение?

Причина, по которой первые исследователи столкнулись с тем, что некоторые задачи на самом деле оказались намного сложнее, чем представлялось ранее, состоит в следующем: эти задачи просто не поддаются решению ранними методами, используемыми в ИИ. Жестко закодированные алгоритмы или фиксированные, основанные на правилах системы не очень хорошо работают с такими вещами, как распознавание изображений или понимание текста.

Решением оказалось не просто подражание человеческому поведению, а имитация того, как люди учатся.

Подумайте о том, как вы освоили чтение. Вы ведь не садились изучать орфографию и грамматику, прежде чем прочесть свою первую книгу. Вы сначала читаете простые книги, которые со временем становятся все более сложными. Вы действительно изучили правила (и исключения) орфографии и грамматики – но в процессе чтения. Иными словами, вы обработали много данных и научились на них.

Именно в этом и состоит идея машинного обучения. Дать алгоритму (в отличие от мозга) огромное множество данных и позволить ему сделать заключения. Снабдите алгоритм большим количеством данных о финансовых транзакциях, укажите, какие из них являются мошенническими, и дайте ему понять, что именно говорит о мошенничестве, чтобы он мог прогнозировать такие злоупотребления. Или дайте информацию о своей клиентской базе и позвольте ему сделать вывод, как лучше ее сегментировать. Больше узнать о методах машинного обучения можно здесь.

По мере совершенствования этих алгоритмов они могли бы решить многие задачи. Но некоторые вещи, которые людям казались довольно легкими (например, распознавание речи или рукописного ввода), все еще были трудными для машин. Однако, если машинное обучение — это подражание тому, как люди учатся, почему бы не пройти весь путь и не попытаться имитировать человеческий мозг? Эта идея – в основе нейронных сетей.

Идея использования искусственных нейронов (а нейроны, связанные посредством синапсов, являются основными элементами нашего мозга) была известна довольно давно, и нейронные сети, смоделированные в программном обеспечении, стали использовать для решения определенных задач. Подход оказался многообещающим и позволил решить некоторые сложные задачи, с которыми не справлялись другие алгоритмы.

Но машинное обучение все еще ограничивалось тем, с чем легко справлялись младшие школьники: сколько собак на этой картине или не волки ли это на самом деле? Идите туда и принесите мне спелый банан. Что заставило героя этой книги так много плакать?

Оказалось, что проблема – вовсе не в самой концепции машинного обучения. И даже не в идее подражать работе человеческого мозга. Простые нейронные сети с сотнями или даже тысячами нейронов, связанные относительно простым способом, не могли дублировать то, на что способен человеческий мозг. Если подумать, то это вовсе не удивительно: в человеческом мозгу насчитывается около 86 миллиардов нейронов и имеют место очень сложные взаимосвязи.

Взято с Oracle 

Прокачайся на онлайн-курсах по AI, ML от Яндекс, Mail.ru, GeekBrains от в проекте «Искусственный интеллект»

«Искусственный интеллект» — это бесплатный проект для студентов по AI, ML от Яндекс, Mail.ru, GeekBrains.

Студенты могут бесплатно пройти онлайн-курсы, получить новые компетенции, получают бесплатный доступ к онлайн-курсам по AI, ML от Яндекс, Mail.ru, GeekBrains и др.  Студенты высшего образования и старших курсов колледжа. 

Курсы делятся на различные уровни доступа. Перейти к курсам 1-го уровня доступа вы можете прямо сейчас. Это бесплатные курсы, дающие общие знания о технологиях.
Курсы 2-го и 3-го уровня доступа — платные — они более глубоко погружают в тематику. Однако, на них можно учиться бесплатно, если освоить не менее 1 курса первого уровня.  

 

Чтобы пройти эти курсы, необходимо:

 

2. Пройти «Диагностику» — обязательно пройти диагностику, это возможность начать осваивать курс. Потребуется регистрация  — ее надо будет обязательно пройти и начать диагностику.

3. Пройти бесплатно курс 1 уровня.

4. Если хорошо прошли курс, оставляли рефлексию и выполняли задания, то будет дана возможность пройти курсы 2 и 3 уровня.

5. Пройти диагностику надо до 19 декабря, потом возможность записаться на бесплатные курсы закроется!

Одновременно можно изучать не более 2-х онлайн-курсов. Это связано с объёмом учебной нагрузки – ежедневным количеством часов, которые нужно выделять на просмотр видеолекций, выполнение учебных заданий, самостоятельную работу. Выбрать новый онлайн-курс можно в том случае, если один из ранее выбранных курсов полностью пройден и успешно завершён. 

В каталоге 2035 собраны курсы по сквозным технологиям и искусственному интеллекту от российских и зарубежных поставщиков.

Сегодня Университет 2035 предлагает цифровой контент по двум ключевым направлениям Национальной технологической инициативы – «Искусственный интеллект» и «Сквозные технологии». Внутри этих направлений можно выбрать несколько десятков онлайн-курсов по следующим темам (список не исчерпывающий): 


Машинное обучение и большие данные 
Языки программирования 
Обработка изображений 
Нейронные сети 
Обработка естественного языка 
Компьютерное зрение 

В чем разница между искусственным интеллектом и машинным обучением?

Искусственный интеллект (AI) и машинное обучение (ML) — два очень популярных модных слова прямо сейчас, и часто кажется, что они используются как взаимозаменяемые.

Это не совсем одно и то же, но восприятие того, что они есть, иногда может привести к некоторой путанице. Поэтому я подумал, что стоит написать статью, чтобы объяснить разницу.

Оба термина возникают очень часто, когда речь идет о больших данных, аналитике и более широких волнах технологических изменений, которые охватывают наш мир.

Короче говоря, лучший ответ:

Искусственный интеллект — это более широкая концепция машин, способных выполнять задачи способом, который мы считаем «умным».

А,

Машинное обучение — это текущее приложение ИИ, основанное на идее о том, что мы действительно должны просто предоставить машинам доступ к данным и позволить им учиться сами.

Ранние дни

Искусственный интеллект существует уже давно — греческие мифы содержат истории о механических людях, созданных для имитации нашего собственного поведения.Очень ранние европейские компьютеры задумывались как «логические машины», и, воспроизводя такие возможности, как базовая арифметика и память, инженеры видели свою работу, в основном, в попытке создать механический мозг.

По мере развития технологий и, что важно, нашего понимания того, как работает наш разум, наши представления о том, что представляет собой ИИ, изменились. Работа в области искусственного интеллекта была сосредоточена не на усложнении вычислений, а на имитации процессов принятия решений людьми и выполнении задач более человечными способами.

Искусственный интеллект — устройства, разработанные для разумного действия — часто делятся на одну из двух основных групп — прикладную или общую. Прикладной ИИ гораздо более распространен — ​​в эту категорию попадают системы, разработанные для интеллектуальной торговли акциями и акциями или для маневрирования автономным транспортным средством.

Обобщенные ИИ — системы или устройства, которые теоретически могут справиться с любой задачей — встречаются реже, но именно здесь сегодня происходят некоторые из самых захватывающих достижений.Это также область, которая привела к развитию машинного обучения. Его часто называют подмножеством искусственного интеллекта, и на самом деле правильнее рассматривать его как современное состояние дел.

Рост машинного обучения

Два важных прорыва привели к появлению машинного обучения как средства, которое продвигает развитие ИИ с нынешней скоростью.

Одним из них было осознание — приписываемое Артуру Сэмюэлю в 1959 году — что вместо того, чтобы обучать компьютеры всему, что им нужно знать о мире и о том, как выполнять задачи, можно было бы научить их учиться самостоятельно.

Вторым, совсем недавно, было появление Интернета и огромное увеличение объема цифровой информации, которая генерируется, хранится и становится доступной для анализа.

Когда эти инновации были внедрены, инженеры поняли, что вместо того, чтобы обучать компьютеры и машины тому, как делать все, было бы гораздо эффективнее запрограммировать их так, чтобы они думали как люди, а затем подключить их к Интернету, чтобы дать им доступ ко всем информации в мире.

Нейронные сети

Развитие нейронных сетей сыграло ключевую роль в обучении компьютеров мыслить и понимать мир так, как мы, при сохранении присущих им преимуществ перед нами, таких как скорость, точность и отсутствие предвзятости.

Нейронная сеть — это компьютерная система, разработанная для классификации информации так же, как это делает человеческий мозг. Его можно научить распознавать, например, изображения и классифицировать их по элементам, которые они содержат.

По сути, он работает по системе вероятностей — на основе введенных в него данных он может делать утверждения, решения или прогнозы с определенной степенью уверенности. Добавление петли обратной связи позволяет «учиться» — чувствуя или узнавая, верны ли его решения или нет, он изменяет подход, который он будет использовать в будущем.

Приложения машинного обучения

могут читать текст и определять, жалуется ли человек, написавший его, или поздравляет.Они также могут послушать музыкальное произведение, решить, будет ли оно кого-то счастливым или грустным, и найти другие музыкальные произведения, соответствующие настроению. В некоторых случаях они могут даже сочинять свою собственную музыку, выражающую те же темы или которую, как они знают, скорее всего оценят поклонники оригинального произведения.

Это все возможности, предлагаемые системами на основе машинного обучения и нейронных сетей. В немалой степени благодаря научной фантастике возникла идея о том, что мы должны иметь возможность общаться и взаимодействовать с электронными устройствами и цифровой информацией так же естественно, как с другим человеком.С этой целью другая область искусственного интеллекта — обработка естественного языка (NLP) — стала в последние годы источником чрезвычайно интересных инноваций, в значительной степени зависящих от машинного обучения.

Приложения

NLP пытаются понять естественное человеческое общение, письменное или устное, и, в свою очередь, общаться с нами, используя аналогичный естественный язык. ML используется здесь, чтобы помочь машинам понять огромные нюансы человеческого языка и научиться реагировать так, как это может понять конкретная аудитория.

Случай брендинга?

Искусственный интеллект — и, в частности, сегодня ML, безусловно, может многое предложить. Обещая автоматизировать рутинные задачи, а также предлагая творческое понимание, отрасли в каждом секторе, от банковского дела до здравоохранения и производства, пожинают плоды. Итак, важно помнить, что AI и ML — это что-то еще … это продукты, которые продаются последовательно и прибыльно.

Маркетологи, безусловно, использовали машинное обучение

как возможность.После того, как искусственный интеллект существует так долго, вполне возможно, что его начали рассматривать как что-то в некотором роде «старой шляпе» еще до того, как его потенциал был действительно реализован. На пути к «революции искусственного интеллекта» было несколько фальстартов, и термин «машинное обучение» определенно дает маркетологам что-то новое, яркое и, что важно, твердо основанное на «здесь и сейчас».

Тот факт, что мы в конечном итоге разработаем ИИ, подобный человеку, часто рассматривался технологами как нечто неизбежное. Безусловно, сегодня мы ближе, чем когда-либо, и все быстрее движемся к этой цели. Во многом захватывающий прогресс, который мы наблюдаем в последние годы, произошел благодаря фундаментальным изменениям в нашем представлении о работе ИИ, которые были внесены с помощью машинного обучения. Я надеюсь, что эта статья помогла некоторым людям понять разницу между AI и ML. В другой статье на эту тему я углубляюсь — буквально, — объясняю теории, лежащие в основе еще одного модного модного слова — Deep Learning.

Перейдите по этим ссылкам, чтобы получить дополнительную информацию об искусственном интеллекте и множество практических примеров ИИ.

Что такое AI / ML и правильно ли вы его используете?

Раньше существовало четкое техническое разделение между такими терминами, как AI и машинное обучение (ML), но только пока эти технологии оставались в основном теоретическими. Как только они стали практичными в реальном мире, а затем их можно было использовать в продуктах, вмешались маркетологи.

Широко распространенное чрезмерное использование терминов AI / ML в маркетинге привело к тому, что значения этих слов полностью запутались. Вы можете думать об этом как о относительно незначительной проблеме, пока не поймете, что она лежит в основе некоторых полностью обманчивых практик.Исследование The Verge показало, что до 40 процентов европейских стартапов, заявляющих об использовании ИИ, на самом деле лгут или преувеличивают свои возможности.

Короче говоря, если вы не знаете, что такое AI / ML, или в чем разница между ними, тогда у вас гораздо больше шансов получить товарный счет, когда вы покупаете продукт на основе эти технологии.

Что такое искусственный интеллект?

Между искусственным интеллектом и научной фантастикой возникает автоматическая связь. Когда люди думают об искусственном интеллекте, они склонны думать о Терминаторе, данных из «Звездного пути», HAL из 2001 года и т. Д. Они представляют собой очень специфическую форму ИИ, известную как общий искусственный интеллект (также известный как сильный ИИ) — цифровая форма. сознания, которое может соответствовать или превосходить человеческие возможности по любому количеству показателей. ОИИ одинаково хорошо справляется с решением математических уравнений, ведением разговора по-человечески или сочинением сонета.

В настоящее время не существует работающего примера AGI, и вероятность создания такой системы остается низкой.Попытки создать ОИИ в настоящее время вращаются вокруг идеи сканирования и моделирования человеческого мозга с последующим воспроизведением человеческого мозга в программном обеспечении. Это своего рода подход сверху вниз: люди — единственный пример работающей разумности, поэтому для создания других разумных систем имеет смысл начать с точки зрения нашего мозга и попытаться скопировать их.

Если вы выберете восходящий подход, вы получите то, что известно как узкий или слабый искусственный интеллект. Это тот ИИ, который вы видите каждый день — ИИ, который отлично справляется с одной конкретной задачей.AI поддерживает приложения, которые помогают вам находить музыку для прослушивания, отмечать друзей на фотографиях в социальных сетях и т. Д. Незаметно для себя он может помочь защитить вас или вашу компанию от мошенничества, вредоносных программ или злонамеренных действий.

Такой узкий ИИ делает только одно, но делает это намного быстрее и лучше человека. Представьте себе, что вы просматриваете миллион заказов на покупку в день, чтобы убедиться в отсутствии подделок — вам быстро надоест и вы начнете ошибаться. ИИ мог обрабатывать эти заказы в относительном мгновении и обнаруживать больше ошибок и подозрительных действий, чем мог бы когда-либо даже обученный человек-наблюдатель.

Что такое машинное обучение?

Машинное обучение и искусственный интеллект — это не одно и то же. НО, если вы хотите легко создать узкий ИИ, машинное обучение становится все более и более единственной игрой в городе.

Машинное обучение работает неправильно, а затем, в конечном итоге, делает все правильно. Вот объяснение того, как это работает непрофессионал.

Допустим, вы создаете программу распознавания изображений, чтобы находить изображения симпатичных собак.Во-первых, вы даете программе представление о том, как выглядит собака. Затем вы показываете ему набор изображений — некоторые с собаками, некоторые без них. Вы приказываете своему программному обеспечению выбирать собак. По всей вероятности, программное обеспечение будет ошибаться. Это нормально. Вы сообщаете программе, какие изображения у нее правильные, а затем повторяете это с разными наборами данных, пока программа не начнет уверенно выбирать собак.

Этот пример демонстрирует центральный принцип преимущества машинного обучения: вам ни в коем случае не нужно влезать в сорняки программы и кодировать ее для распознавания собак. Вместо этого машина «кодирует себя», создавая математические модели для поиска собак, а затем уточняя их по мере обучения на дополнительных данных.

Это основная суть того, как это работает.

Используя машинное обучение, вы экономите время и силы на создании узкого искусственного интеллекта. Вместо того, чтобы вручную создавать сложное и разветвленное дерево решений, ваше дерево решений растет само по себе и повышает свою полезность каждый раз, когда оно встречает и классифицирует новые данные.Машинное обучение значительно повышает эффективность специалистов по анализу данных, снимая тяжелую работу по созданию моделей и категоризации данных.

AI / ML для повышения производительности

Разница между машинным обучением и AI состоит в том, что машинное обучение представляет собой один из — но не единственный — предшественников создания узкого ИИ. В частности, машинное обучение — это лучший и самый быстрый способ создания узкой модели ИИ с целью категоризации данных, обнаружения мошенничества, распознавания изображений или прогнозирования будущего (среди прочего).

Хотя гиперболический маркетинг во многих отношениях исказил смысл машинного обучения и искусственного интеллекта, преимущество коммерциализирующей технологии состоит в том, что теперь стало проще, чем когда-либо, использовать и создавать модели машинного обучения — если вы работаете с компанией, которая продает подлинная статья.

Машинное обучение (ML) против искусственного интеллекта (AI) — принципиальные различия | Роберто Ириондо

К сожалению, некоторые технические организации обманывают клиентов, заявляя об использовании машинного обучения (ML) и искусственного интеллекта (AI) в своих технологиях, не имея четкого представления об ограничениях своих продуктов

15 октября 2018 года, Роберто Ириондо — Последнее обновление: 28 января 2021 г.

Недавно был опубликован отчет о неправомерном использовании компаниями, заявляющими об использовании искусственного интеллекта [29] [30] в своих продуктах и ​​услугах.По данным Verge [29], 40% европейских стартапов заявили, что используют ИИ, но не используют эту технологию. В прошлом году TechTalks также наткнулась на такое неправомерное использование компаниями, утверждающими, что они используют машинное обучение и продвинутый искусственный интеллект для сбора и изучения данных тысяч пользователей, чтобы повысить удобство использования их продуктов и услуг [2] [33].

К сожалению, в обществе и в средствах массовой информации все еще существует путаница относительно того, что на самом деле такое искусственный интеллект [44], а что такое , машинное обучение [18].Часто термины используются как синонимы. В других случаях они используются как отдельные, параллельные продвижения, в то время как другие используют тенденцию для создания шумихи и ажиотажа с целью увеличения продаж и доходов [2] [31] [32] [45].

📚 Ознакомьтесь с нашими редакционными рекомендациями по лучшим книгам по машинному обучению. 📚

Ниже мы рассмотрим некоторые основные различия между ИИ и машинным обучением.

Что такое машинное обучение | Том М. Митчелл, Машинное обучение, McGraw Hill, 1997 г. [18]

Цитата временного декана факультета компьютерных наук CMU, профессора и бывшего заведующего кафедрой машинного обучения в Университете Карнеги-Меллона Тома М.Mitchell:

Сфера науки лучше всего определяется центральным вопросом, который она изучает. Область машинного обучения пытается ответить на вопрос:

«Как мы можем создавать компьютерные системы, которые автоматически улучшаются с опытом, и каковы
фундаментальные законы, которые управляют всеми процессами обучения? [1] ”

Машинное обучение (ML) — это отрасль искусственного интеллекта, по определению компьютерного ученого и пионера машинного обучения [19] Том М.Митчелл: « Машинное обучение — это исследование компьютерных алгоритмов, которые позволяют компьютерным программам автоматически улучшаться на основе опыта. ”[18] — ML — это один из способов, которым мы ожидаем достичь ИИ. Машинное обучение основано на работе с небольшими и большими наборами данных путем изучения и сравнения данных, чтобы найти общие закономерности и изучить нюансы.

Например, если вы предоставляете модель машинного обучения с множеством песен, которые вам нравятся, вместе с соответствующей статистикой звука (танцевальные способности, инструментальность, темп или жанр).Необходимо иметь возможность автоматизировать (в зависимости от используемой модели контролируемого машинного обучения) и генерировать систему рекомендаций [43], чтобы предлагать вам музыку в будущем, которая (с высокой долей вероятности) вам понравится, аналогично относительно того, чем занимаются Netflix, Spotify и другие компании [20] [21] [22].

В простом примере, если вы загружаете программу машинного обучения со значительным большим набором данных рентгеновских снимков вместе с их описанием (симптомы, элементы, которые следует учитывать и др.), Она должна иметь возможность помочь (или, возможно, автоматизировать) последующий анализ данных рентгеновских снимков.Модель машинного обучения рассматривает каждое изображение в разнообразном наборе данных и находит общие закономерности, обнаруженные на изображениях с метками с сопоставимыми обозначениями. Кроме того, (при условии, что мы используем приемлемый алгоритм машинного обучения для изображений), когда вы загружаете модель с новыми изображениями, он сравнивает свои параметры с примерами, которые он собрал ранее, чтобы раскрыть, насколько вероятно, что изображения содержат какие-либо признаки, которые он проанализировал ранее.

Обучение с учителем (классификация / регрессия) | Обучение без учителя (кластеризация) | Источники: Western Digital [13]

Тип машинного обучения из нашего предыдущего примера, названный « контролируемое обучение », где контролируемые алгоритмы обучения пытаются смоделировать взаимосвязь и зависимости между целевым прогнозируемым выходом и входными функциями, чтобы мы могли спрогнозировать выходные значения для новых данных на основе тех отношений, которые он узнал из ранее поданных наборов данных [15].

Неконтролируемое обучение , еще один тип машинного обучения, представляет собой семейство алгоритмов машинного обучения, которые в основном используются в обнаружении шаблонов и описательном моделировании. Эти алгоритмы не имеют категорий вывода или меток для данных (модель обучается с данными без меток).

Обучение с подкреплением | Кредиты: типы алгоритмов машинного обучения, которые вы должны знать Дэвид Фумо [3]

Обучение с подкреплением , третий популярный тип машинного обучения, направлен на использование наблюдений, собранных в результате взаимодействия с его средой, для принятия действий, которые позволят максимизировать вознаграждение или минимизировать риск.В этом случае алгоритм обучения с подкреплением (называемый агентом) постоянно учится в своей среде, используя итерацию. Прекрасным примером обучения с подкреплением являются компьютеры, достигающие сверхчеловеческого состояния и побеждающие людей в компьютерных играх [3].

Машинное обучение может поражать воображение, особенно его продвинутые подотрасли, то есть глубокое обучение и различные типы нейронных сетей. В любом случае, это «магия» (теория вычислительного обучения) [16], независимо от того, есть ли у публики временами проблемы с наблюдением за ее внутренней работой. Хотя некоторые склонны сравнивать глубокое обучение и нейронные сети с тем, как работает человеческий мозг, между ними есть существенные различия [2] [4] [46].

Стек ИИ, объясненный профессором и деканом факультета компьютерных наук Университета Карнеги-Меллона Эндрю Муром | Youtube [14]

С другой стороны, искусственный интеллект огромен. По словам Эндрю Мура [6] [36] [47], бывшего декана факультета компьютерных наук Университета Карнеги-Меллона, «искусственный интеллект — это наука и техника, позволяющая заставить компьютеры вести себя так, как мы до недавнего времени считали необходимым. человеческий интеллект.”

Это отличный способ определить ИИ одним предложением; тем не менее, он все еще показывает, насколько широкое и расплывчатое поле. Пятьдесят лет назад программа для игры в шахматы считалась формой ИИ [34], поскольку теория игр и стратегии игр были возможностями, которые мог реализовать только человеческий мозг. В наши дни шахматы выглядят скучно и устарело, поскольку они являются частью операционной системы (ОС) почти каждого компьютера [35]; следовательно, «до недавнего времени» — это то, что прогрессирует со временем [36].

Доцент и научный сотрудник CMU Захари Липтон поясняет в книге «Приблизительно правильно» [7], что термин ИИ «амбициозен, это движущаяся цель, основанная на тех способностях, которыми обладают люди, а машины — нет.«AI также включает в себя значительную часть известных нам технологических достижений. Машинное обучение — только один из них. В предыдущих работах ИИ использовались разные техники. Например, Deep Blue, ИИ, победивший чемпиона мира по шахматам в 1997 году, использовал метод, называемый алгоритмами поиска по дереву [8], для оценки миллионов ходов на каждом шагу [2] [37] [52] [53].

Пример решения загадки «Восемь ферзей» с помощью поиска в глубину | Введение в искусственный интеллект |, how2Examples

Как мы знаем сегодня, ИИ символизируется гаджетами взаимодействия человека и ИИ с помощью Google Home, Siri и Alexa, а также систем прогнозирования видео на основе машинного обучения, которые используются в Netflix, Amazon и YouTube.Эти технологические достижения становятся все более важными в нашей повседневной жизни. Они умные помощники, которые повышают наши способности как людей, так и профессионалов, делая нас более продуктивными.

В отличие от машинного обучения ИИ — это движущаяся цель [51], и его определение меняется по мере дальнейшего развития связанных с ним технологических достижений [7]. Возможно, через несколько десятилетий сегодняшние инновационные достижения искусственного интеллекта следует считать такими же скучными, как раскладушки для нас сейчас.

«… нам нужна машина, которая может учиться на собственном опыте». ~ Алан Тьюринг

Термин «искусственный интеллект» появился в 1956 году группой исследователей, включая Аллена Ньюэлла и Герберта А. Саймона [9]. С тех пор индустрия искусственного интеллекта претерпела множество колебаний. В первые десятилетия индустрия была очень ажиотажной, и многие ученые соглашались, что ИИ человеческого уровня не за горами. Однако невыполненные утверждения вызвали общее разочарование в отрасли и в обществе и привели к «зиме» искусственного интеллекта, периоду, когда финансирование и интерес к этой области значительно упали [2] [38] [39] [48].

Позже организации попытались разделиться с помощью термина AI, который стал синонимом необоснованной шумихи и использовал разные названия для обозначения своей работы. Например, IBM описала Deep Blue как суперкомпьютер и прямо заявила, что не использует искусственный интеллект [10], в то время как он использовал [23].

В этот период стали набирать обороты и популярность различные другие термины, такие как большие данные, прогнозная аналитика и машинное обучение [40].В 2012 году машинное обучение, глубокое обучение и нейронные сети добились больших успехов и нашли применение во все большем числе областей. Организации внезапно начали использовать термины «машинное обучение» и «глубокое обучение» для рекламы своих продуктов [41].

Глубокое обучение начало выполнять задачи, которые невозможно было выполнить с помощью классического программирования на основе правил. Такие области, как распознавание речи и лиц, классификация изображений и обработка естественного языка, которые находились на ранних стадиях, внезапно совершили большой скачок [2] [24] [49], и в марте 2019 года победили трое самых известных пионеров глубокого обучения. награду Тьюринга за их вклад и открытия, которые сделали глубокие нейронные сети критически важным компонентом современных вычислений [42].

Таким образом, мы видим переключение передач обратно на AI. Для тех, кто привык к ограничениям устаревшего программного обеспечения, эффекты глубокого обучения почти казались «волшебством» [16]. Тем более, что часть областей, в которые входят нейронные сети и глубокое обучение, считались закрытыми для компьютеров, и в настоящее время инженеры по машинному обучению и глубокому обучению получают высокие зарплаты, даже когда они работают в некоммерческих организациях. что говорит о том, насколько горячо поле [50] [11].

Источник: Twitter | GPT-2 «Лучшие языковые модели и их значение», Open AI

К сожалению, медиа-компании часто сообщают об этом без тщательного изучения и часто сопровождают статьи об ИИ с изображениями хрустальных шаров и другими изображениями сверхъестественного. Такой обман помогает этим компаниям создавать ажиотаж вокруг своих предложений [27]. Тем не менее, в будущем, поскольку они не оправдывают ожиданий, эти организации вынуждены нанимать людей, чтобы восполнить свой так называемый ИИ [12].В конце концов, они могут вызвать недоверие в этой области и спровоцировать еще одну зиму искусственного интеллекта ради краткосрочных выгод [2] [28].

Я всегда открыт для отзывов, пожалуйста, поделитесь в комментариях, если вы видите что-то, что, возможно, нужно пересмотреть. Спасибо за чтение!

Благодарности:

Автор хотел бы выразить глубокую благодарность Бену Диксону , инженеру по программному обеспечению и техническому блоггеру, за его доброту, позволившую мне положиться на его опыт и рассказывание историй, а также несколько членов сообщества AI за безмерную поддержку и конструктивную критику при подготовке статьи.

ОТКАЗ ОТ ОТВЕТСТВЕННОСТИ: Взгляды, выраженные в этой статье, принадлежат автору (авторам) и не отражают точку зрения Университета Карнеги-Меллона или других компаний (прямо или косвенно), связанных с автором (авторами). Эти работы не претендуют на то, чтобы стать конечным продуктом, а скорее являются отражением современного мышления, а также катализатором для обсуждения и улучшения.

В чем разница между AI, ML, Deep Learning и Active Learning?

(Йожеф Багота / Shutterstock)

Сегодня термины искусственный интеллект (AI) и машинное обучение (ML) часто используются как синонимы.Хотя термины связаны, они означают разные вещи. Мы намечаем, как все они соотносятся друг с другом, чтобы ваша команда могла найти лучших кандидатов, лучшие подходы и лучшие фреймворки, когда вы отправитесь в путешествие по ИИ.

AI относится к концепции машин, имитирующих человеческое познание. Ссылка на искусственный интеллект — это ссылка на машины, выполняющие задачи, которые казались правдоподобными только человеческому мышлению и логике.

В реальном мире одна из наиболее распространенных форм ИИ может проявляться в форме диалогового ИИ.Разговорный AI может включать в себя мультимодальные входы (например, голос, распознавание лиц) с мультимодальными выходами (например, изображение, синтезированный голос). Все эти модальности можно рассматривать как часть ИИ, а также как интеграцию этих модальностей.

Возможно, вы уже знакомы с некоторыми из этих модальностей. Starbucks улучшила свое мобильное приложение, сделав заказ заранее с помощью голосовых команд, а Easy System от Staples позволяет клиентам делать заказы с помощью голосовых команд.

Алгоритмы машинного обучения создают AI

С другой стороны, машинное обучение, глубокое обучение и активное обучение — это подходы, используемые для реализации ИИ.Если ИИ — это когда компьютер может выполнять набор задач на основе инструкций, то машинное обучение — это способность машины принимать, анализировать и извлекать уроки из этих данных, чтобы стать более точным или точным в выполнении этой задачи.

(белый мокка / Shutterstock)

Хотя существуют и другие статистические методы обучения, благодаря недавним достижениям машинного обучения специалисты-практики возродили концепцию нейронных сетей, которые представляют собой серию алгоритмов, которые действуют, как можно было бы предположить, подобно человеческому мозгу.

ML распространен везде, где есть ИИ, но у него есть некоторые конкретные варианты использования, с которыми мы, возможно, уже знакомы. Такие компании, как Microsoft, используют модели прогнозирующего машинного обучения, чтобы делать более точные финансовые прогнозы. Эти модели делают прогнозы по финансовым организациям, извлекая уроки из исторических тенденций и составляя прогнозы движения акций.

Глубокое обучение, веса и активность нейронных сетей

По мере развития машинного обучения исследователи и программисты все глубже погружались в то, что могут выполнять алгоритмы.Глубокое обучение выходит за рамки машинного обучения. Есть несколько похожих определений глубокого обучения. Самое простое определение глубокого обучения — это «набор алгоритмов машинного обучения, которые пытаются обучаться на нескольких уровнях», где концепции более низкого уровня помогают определять различные концепции более высокого уровня.

Внутри нейронной сети каждый процессор или «нейрон» обычно активируется посредством восприятия чего-либо в своей среде, от ранее активированного нейрона или путем запуска события, влияющего на его среду.Цель этих активаций — заставить сеть — группу алгоритмов машинного обучения — достичь определенного результата. Глубокое обучение — это «точное присвоение баллов на многих таких этапах» активации.

Google Brain может быть наиболее ярким примером глубокого обучения в действии. Исследователи представили Google Brain без указания каких-либо параметров для идентификации кошек с 10 миллионами изображений кошек, взятых из видео на YouTube. Сеть успешно идентифицировала изображения кошек без использования маркированных данных.

Активное обучение выбирает собственные данные

Большинство алгоритмов машинного обучения требуют аннотированного текста, изображений, речи, аудио или видео данных. Но при наличии необходимых ресурсов и необходимого количества данных практикующие специалисты могут использовать активное обучение. Активное обучение — это философия, согласно которой «алгоритм машинного обучения может достичь большей точности с меньшим количеством обучающих меток, если ему разрешено выбирать данные, на которых он учится». Чтобы выбрать данные, на основе которых он учится, ИИ, основанный на активном обучении, может запрашивать людей, чтобы получить больше данных.

Активное обучение в реальном мире лучше всего рассматривать как метод обучения алгоритмов машинного обучения, что означает, что этот метод может использоваться или не использоваться в тех случаях, когда машинное обучение управляет искусственным интеллектом. На практике идея активного обучения состоит в том, что специалисты по данным могут использовать плохо обученный ИИ, чтобы помочь определить — с помощью стратегии запросов, как описано выше, — какие фрагменты данных следует использовать для обучения лучшей версии этого ИИ.

Люди-этикетировщики необходимы для любого вида машинного обучения, но с активным обучением их работа значительно сокращается из-за того, что машина выбирает наиболее подходящие данные.

Различий предостаточно, несмотря на неразрывные связи

Глубокое обучение — это более продвинутая форма машинного обучения, которая используется для создания искусственного интеллекта. Активное обучение использует легко доступный и часто несовершенный ИИ для активного выбора новых данных, которые, по его мнению, будут наиболее полезными при разработке следующей, улучшенной версии ИИ. Таким образом, активное обучение может значительно сократить объем данных, необходимых для разработки высокопроизводительной системы искусственного интеллекта, поскольку она учится только на наиболее актуальных данных.Все эти термины взаимосвязаны, но каждый относится к определенному компоненту создания ИИ. С правильным пониманием того, что влечет за собой каждая из этих фраз, вы можете встать на правильную ногу, создав свой собственный ИИ.

Об авторе: Киран Ваджапей (Kiran Vajapey) — старший разработчик HCI в компании Figure Eight, которая предоставляет высококачественные решения для аннотации данных. Kiran фокусируется на разработке интерфейсов, которые будут продвигать технологии «человек в контуре». За свою карьеру Киран работал над продуктами в различных областях, включая финансы, компьютерное зрение и обработку естественного языка.В свободное время Киран занимается видеопроизводством.

Связанные элементы:

Настало время для искусственного интеллекта: путь к успешному развертыванию

«Большой взрыв» науки о данных и инструментов машинного обучения

Машинное обучение, глубокое обучение и искусственный интеллект: в чем разница?

AI, ML и DL: в чем разница? | Роберта Никора | Dative_io

Искусственный интеллект (AI), машинное обучение (ML) и Deep Learning (DL) — это три термина, которые люди используют как синонимы, хотя они и не относятся к одним и тем же вещам.

От: К науке о данных.

Изображение выше показывает, что эти три концепции строго связаны. Однако DL — это подмножество ML, которое является подмножеством AI.
В этом посте мы определили эти три концепции и обрисовали их применение.

Искусственный интеллект (AI) относится к моделированию процессов человеческого интеллекта машинами, включая обучение, рассуждение и самокоррекцию. ИИ бывает двух типов: слабый ИИ и сильный ИИ. Под слабым искусственным интеллектом понимается система ИИ, разработанная для конкретной задачи.Сильный искусственный интеллект — это система ИИ с обобщенными когнитивными навыками человека.

Приложение

AI обычно используется для решения проблем с обслуживанием клиентов, информирования людей о последних новостях, а также предоставления им обновлений трафика в реальном времени и прогноза погоды.

Машинное обучение (ML) — это приложение систем, генерирующих искусственный интеллект (AI), которые могут учиться и совершенствоваться без программирования. В отличие от ИИ, машинное обучение сосредоточено на разработке компьютерных программ, которые получают доступ к данным и используют их для обучения.

Приложение

Машинное обучение часто используется для работы систем рекомендаций, которые предоставляют предложения, основанные на поведении клиентов в прошлом.

Глубокое обучение (DL) — это разновидность машинного обучения и искусственного интеллекта. Этот термин относится к конкретному подходу, используемому для создания и обучения нейронных сетей, которые считаются очень многообещающими узлами для принятия решений.

Приложение

Глубокое обучение используется для разработки высокоавтоматизированных систем, таких как беспилотные автомобили.С помощью своих датчиков и бортовой аналитики эти автомобили могут реорганизовывать препятствия и обеспечивать ситуационную осведомленность.

В заключение, искусственный интеллект, машинное обучение и глубокое обучение — это три разных термина, которые необходимо полностью понимать и использовать по отдельности. Инфографика ниже суммирует все концепции, изложенные в сообщении. Не стесняйтесь поделиться им.

Как упростить объяснение AI, ML, DL и Data Science? | Автор: доктор Марселл Фоллмер

Даже самые сложные темы можно разделить на простые в использовании корзины.Позвольте мне попытаться объяснить их, и давайте начнем с эволюции:

Искусственный интеллект (AI) Человеческий интеллект, демонстрируемый машинами

  • Интеллект, демонстрируемый машинами
  • В широком смысле определяется, включая любую симуляцию человеческого интеллекта
  • Расширяющиеся и ветвящиеся области исследования, разработки и инвестиции
  • Включает робототехнику, основанное на правилах рассуждение, обработку естественного языка (NLP), методы представления знаний (графы знаний)…

Машинное обучение (ML) — подход к достижению искусственного интеллекта

  • Подполе ИИ, цель которого — научить компьютеры выполнять задачи с данными без явного программирования
  • Использует численные и статистические подходы, включая искусственные нейронные сети для кодирования обучения в моделях
  • Модели, построенные с использованием «обучающих» вычислений или их использования

Глубокое обучение (DL) Техника реализации машины Learning

  • Подполе машинного обучения, в котором используются специализированные методы, включающие многоуровневые (2+) искусственные нейронные сети
  • Layering позволяет каскадное обучение и уровни абстракции (например,грамм. линия -> форма -> объект -> сцена)
  • Вычислительная нагрузка обеспечивается облаками, графическими процессорами и специализированным аппаратным обеспечением, таким как FPGA, TPU и т. д.

Наука о данных — Научные методы, алгоритмы и системы для извлечения знаний или понимания большие данные

  • Также известный как прогнозирующая или расширенная аналитика
  • Алгоритмические и вычислительные методы и инструменты для обработки больших наборов данных
  • Все больше внимания уделяется подготовке и моделированию данных для задач ML & DL
  • Включает статистические методы, технологии обработки данных и потоковой передачи (е.грамм. Spark, Hadoop)
  • Ключевые навыки и инструменты, лежащие в основе создания современных технологий искусственного интеллекта

Один рисунок, объясняющий AI, ML, DL и Data Science

Ваш смартфон, ваш дом, ваш автомобиль и ваш банк используют искусственный интеллект на ежедневной основе. Иногда это легко понять, когда вы просите Siri, Cortana или OK Google проложить маршрут. Иногда это менее очевидно, например, когда вы совершаете ненормальную покупку с помощью кредитной карты, и не получает уведомления о мошенничестве от вашего банка.AI, ML и DL присутствуют повсюду, и Data Science — это междисциплинарная область методов извлечения необходимых знаний. Все эти технологии ежедневно меняют нашу жизнь к лучшему и быстро развиваются благодаря огромному количеству людей, постоянно работающих над их улучшением.

AI против ML против DL: в чем разница

В 2020 году люди получают выгоду от искусственного интеллекта каждый день: рекомендательные музыкальные системы, карты Google, Uber и многие другие приложения работают на базе искусственного интеллекта.Однако путаница между терминами искусственный интеллект, машинное обучение и глубокое обучение остается. Один из популярных поисковых запросов Google звучит так: «Искусственный интеллект и машинное обучение — это одно и то же?».

Давайте проясним ситуацию: искусственный интеллект (AI), машинное обучение (ML) и глубокое обучение (DL) — это три разные вещи.

  • Искусственный интеллект — это такая же наука, как математика или биология. Он изучает способы создания интеллектуальных программ и машин, которые могут творчески решать проблемы, что всегда считалось прерогативой человека.
  • Машинное обучение — это подмножество искусственного интеллекта (ИИ), которое предоставляет системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования. В ML есть разные алгоритмы (например, нейронные сети), которые помогают решать проблемы.
  • Глубокое обучение, или глубокое нейронное обучение , — это подмножество машинного обучения, которое использует нейронные сети для анализа различных факторов со структурой, аналогичной нейронной системе человека.

Вот как это выглядит на диаграмме Эйлера:

3 лица искусственного интеллекта

Термин «искусственный интеллект» впервые был использован в 1956 году на конференции по информатике в Дартмуте. AI описал попытку смоделировать работу человеческого мозга и на основе этих знаний создать более совершенные компьютеры. Ученые ожидали, что понимание того, как работает человеческий разум, и его оцифровка не займет много времени. В конце концов, конференция собрала некоторые из самых ярких умов того времени для интенсивного двухмесячного мозгового штурма.

Конечно, исследователи весело провели лето в Дартмуте, но результаты были немного ужасающими. Имитировать мозг средствами программирования оказалось… сложно.

Тем не менее, некоторые результаты были достигнуты. Например, исследователи поняли, что ключевыми факторами для интеллектуальной машины являются обучение (для взаимодействия с изменяющейся и спонтанной средой), обработка естественного языка (для взаимодействия человека с машиной) и творчество (чтобы освободить человечество от многих его проблем?) .

Даже сегодня, когда искусственный интеллект повсеместен, компьютер все еще далек от идеального моделирования человеческого интеллекта.

ИИ обычно делится на 3 категории:

Узкий / Слабый ИИ

Чтобы понять, что такое слабый ИИ, полезно сравнить его с сильным ИИ. Эти две версии ИИ пытаются достичь разных целей.

«Сильный» ИИ стремится создавать искусственных людей: машины, обладающие всеми имеющимися у нас умственными способностями, включая феноменальное сознание.«Слабый» ИИ, с другой стороны, стремится создать машины для обработки информации, которые, по-видимому, обладают полным набором умственных способностей человека. (Сирл, 1997)

Слабый, или узкий, ИИ хорош для выполнения конкретной задачи, но он не сойдет за человека в любой другой области, кроме определенных его возможностей.

Вы, наверное, слышали о Deep Blue, первом компьютере, победившем человека в шахматах. Не просто человек — Гарри Каспаров в 1996 году. Deep Blue мог генерировать и оценивать около 200 миллионов шахматных позиций в секунду.Честно говоря, некоторые не были готовы назвать это ИИ в полном смысле этого слова, в то время как другие утверждали, что это один из первых примеров слабого ИИ.

Еще один известный пример того, как ИИ побеждает людей в играх, — AlphaGo. Эта программа выиграла в одной из самых сложных игр, когда-либо изобретенных, научившись играть в нее, а не просто просчитывая все возможные ходы (что невозможно).

Сегодня узкий искусственный интеллект широко используется в науке, бизнесе и здравоохранении. Например, в 2017 году компания DOMO объявила о запуске Mr.Робото. Эта программная система AI содержит мощные инструменты аналитики и может предоставить владельцам бизнеса рекомендации и идеи для развития бизнеса. Он может обнаруживать отклонения и выявлять закономерности, которые могут быть полезны для управления рисками и рационального планирования. Подобные программы существуют и для других отраслей, и крупные компании, такие как Google и Amazon, вкладывают деньги в их развитие.

Общий / сильный AI

Это тот момент в будущем, когда машины станут похожи на людей.Они принимают собственные решения и учатся без участия человека. Они не только умеют решать логические задачи, но и обладают эмоциями.

Вопрос: как построить живую машину? Вы можете запрограммировать машину так, чтобы она производила некоторые эмоциональные вербальные реакции в ответ на стимулы. Чат-боты и виртуальные помощники уже неплохо умеют поддерживать беседу. Также уже проводятся эксперименты по обучению роботов распознавать человеческие эмоции. Но воспроизведение эмоциональных реакций не делает машины по-настоящему эмоциональными, не так ли?

Superintelligence

Это часть содержания, которую обычно ожидают, читая об ИИ.Машины намного опережают людей. Умный, мудрый, креативный, с прекрасными социальными навыками. Его цель — либо улучшить жизнь людей, либо уничтожить их всех.

А вот и разочарование: современные ученые даже не мечтают о создании автономных эмоциональных машин, таких как Двухсотлетний Человек. Ну, за исключением, может быть, этого парня, который создал свою роботизированную копию.

Задачи, на которых сейчас сосредоточены специалисты по данным (и которые могут помочь в развитии общего и суперинтеллекта):

  • Machine Reasoning.Системы MR имеют в своем распоряжении некоторую информацию, например, базу данных или библиотеку. Используя методы дедукции и индукции, они могут сформулировать некоторые ценные выводы на основе этой информации. Он может включать планирование, представление данных, поиск и оптимизацию для систем ИИ;
  • Робототехника. Эта область науки концентрируется на создании, разработке и управлении роботами, от комнатных до интеллектуальных андроидов;
  • Машинное обучение — это исследование алгоритмов и компьютерных моделей, используемых машинами для выполнения заданной задачи.

Вы можете называть их методами создания ИИ. Можно использовать только один или объединить все в одной системе. А теперь давайте углубимся в детали.


Как машины могут обучаться?

Машинное обучение — это подмножество более широкой области искусственного интеллекта (ИИ), которая «фокусируется на обучении компьютеров тому, как учиться без необходимости программирования для выполнения конкретных задач», — отмечают Суджит Пал и Антонио Гулли в книге «Глубокое обучение с Керасом».«Фактически, ключевая идея машинного обучения заключается в том, что можно создавать алгоритмы, которые учатся на данных и делают прогнозы на их основе».

Чтобы «обучить» машину, вам понадобятся эти 3 компонента:

Наборы данных. Системы машинного обучения обучаются на специальных наборах образцов, называемых наборами данных. Примеры могут включать числа, изображения, тексты или любые другие данные. Обычно создание хорошего набора данных занимает много времени и усилий.

Функции. Функции — это важные данные, которые работают как ключ к решению задачи.Они демонстрируют машине, на что обращать внимание. Как вы выбираете функции? Допустим, вы хотите спрогнозировать цену квартиры. С помощью линейной регрессии сложно предсказать, сколько может стоить место, например, исходя из комбинации его длины и ширины. Однако гораздо проще найти взаимосвязь между ценой и площадью, где находится здание.

Примечание: Он работает, как указано выше, в случае контролируемого обучения (мы поговорим о контролируемом и неконтролируемом ML позже), когда у вас есть обучающие данные с помеченными данными, которые содержат «правильные решения» и набор для проверки.В процессе обучения программа узнает, как найти «правильное» решение. Затем набор проверки используется для настройки гиперпараметров, чтобы избежать переобучения. Однако при обучении без учителя функции изучаются с немаркированными входными данными. Вы не говорите машине, куда смотреть, она сама учится замечать закономерности.

Алгоритм. Можно решить одну и ту же задачу, используя разные алгоритмы. В зависимости от алгоритма точность или скорость получения результатов может быть разной.Иногда для достижения лучшей производительности вы комбинируете разные алгоритмы, например, при ансамблевом обучении.

Любое программное обеспечение, использующее ML, является более независимым, чем вручную закодированные инструкции для выполнения определенных задач. Система учится распознавать закономерности и делать ценные прогнозы. Если качество набора данных было высоким, а функции были выбраны правильно, система на базе машинного обучения могла бы стать лучше в решении данной задачи, чем люди.

Глубокое обучение

Глубокое обучение — это класс алгоритмов машинного обучения, основанных на структуре человеческого мозга.Алгоритмы глубокого обучения используют сложные многослойные нейронные сети, в которых уровень абстракции постепенно увеличивается за счет нелинейных преобразований входных данных.

В нейронной сети информация передается с одного уровня на другой по соединительным каналам. Они называются взвешенными каналами, потому что каждому из них присвоено значение.

Все нейроны имеют уникальный номер, называемый смещением. Это смещение добавляется к взвешенной сумме входных сигналов, поступающих в нейрон, к которым затем применяется функция активации.Результат функции определяет, активируется ли нейрон. Каждый активированный нейрон передает информацию следующим слоям. Это продолжается до второго последнего слоя. Выходной слой в искусственной нейронной сети — это последний слой, который производит выходные данные для программы.

Посмотрите это видео, чтобы получить более подробную информацию о процессе.


Чтобы обучить такие нейронные сети, специалисту по данным нужны огромные объемы обучающих данных.Это связано с тем, что нужно учитывать огромное количество параметров, чтобы решение было точным.

Алгоритмы глубокого обучения сейчас очень популярны, однако на самом деле нет четко определенного порога между глубокими и не очень глубокими алгоритмами. Однако, если вы хотите глубже понять эту тему, ознакомьтесь с этим сообщением в блоге Адриана Колайера.

Некоторыми практическими приложениями DL являются, например, системы распознавания речи, такие как Google Assistant и Amazon Alexa.Звуковые волны динамика могут быть представлены в виде спектрограммы, которая является временным снимком различных частот. Нейронная сеть, которая способна запоминать входные последовательности (например, LSTM, сокращение от long-short-term-memory), может распознавать и обрабатывать такие последовательности пространственно-временных входных сигналов. Он учится отображать потоки спектрограммы в слова.

DL действительно близко к тому, что многие люди представляют, слыша слова «искусственный интеллект». Компьютер учится сам; как это круто ?! Что ж, правда в том, что алгоритмы DP не безупречны.Программисты любят DL, потому что его можно применять для решения множества задач. Однако есть и другие подходы к ML, которые мы собираемся обсудить прямо сейчас.

Нет бесплатного обеда и почему существует так много алгоритмов машинного обучения

Прежде чем мы начнем: Есть несколько способов классификации алгоритмов, и вы можете выбрать тот, который вам больше нравится.

В науке об искусственном интеллекте есть теорема под названием «Нет бесплатного обеда». В нем говорится, что не существует идеального алгоритма, который одинаково хорошо работал бы для всех задач: от распознавания естественной речи до выживания в окружающей среде.Поэтому нужны самые разные инструменты.

Алгоритмы можно сгруппировать по стилю обучения или схожести. В этом посте вы познакомитесь с алгоритмами, сгруппированными по стилю обучения, потому что он более интуитивно понятен для новичка. Классификацию по сходству можно найти здесь.

Четыре группы алгоритмов машинного обучения

Итак, в зависимости от того, как они обучаются, алгоритмы машинного обучения обычно делятся на 4 группы:

Обучение с учителем

«Под наблюдением» означает, что учитель помогает программе на протяжении всего процесса обучения: есть обучающий набор с помеченными данными.Например, вы хотите научить компьютер складывать красные, синие и зеленые носки в разные корзины.

Сначала вы показываете системе каждый из объектов и рассказываете, что к чему. Затем запустите программу на проверочном наборе, который проверяет правильность заученной функции. Программа делает утверждения и исправляется программистом, если эти выводы неверны. Процесс обучения продолжается до тех пор, пока модель не достигнет желаемого уровня точности обучающих данных. Этот тип обучения обычно используется для классификации и регрессии.

Примеры алгоритмов:

  • Наивный Байес,
  • Машина опорных векторов,
  • Дерево решений,
  • Ближайшие соседи К,
  • Логистическая регрессия,
  • Линейные и полиномиальные регрессии.

Используется для: фильтрации спама, определения языка, компьютерного зрения, поиска и классификации.

Обучение без учителя

При обучении без учителя вы не предоставляете программе никаких функций, позволяющих ей самостоятельно искать шаблоны.Представьте, что у вас есть большая корзина для белья, которую компьютер должен разделить на разные категории: носки, футболки, джинсы. Это называется кластеризацией, и обучение без учителя часто используется для разделения данных на группы по сходству.

Обучение без учителя также полезно для глубокого анализа данных. Иногда программа может распознавать закономерности, которые люди пропустили бы из-за нашей неспособности обрабатывать большие объемы числовых данных. Например, UL можно использовать для поиска мошеннических транзакций, прогнозирования продаж и скидок или анализа предпочтений клиентов на основе их истории поиска.Программист не знает, что он пытается найти, но определенные закономерности наверняка существуют, и система может их обнаружить.

Примеры алгоритмов:

  • Кластеризация K-средних,
  • DBSCAN,
  • Среднее смещение,
  • Разложение по сингулярным значениям (SVD),
  • Анализ главных компонентов (PCA),
  • Скрытое размещение Дирихле (LDA),
  • Скрытый семантический анализ, FP-рост.

Используется для: сегментации данных, обнаружения аномалий, систем рекомендаций, управления рисками, анализа поддельных изображений.

Полу-контролируемое обучение

Как видно из названия, полу-контролируемое обучение означает, что входные данные представляют собой смесь помеченных и немаркированных выборок.

Программист имеет в виду желаемый результат прогнозирования, но модель должна находить закономерности для структурирования данных и сама делать прогнозы.

Обучение с подкреплением

Это очень похоже на то, как люди учатся: через испытания. Людям не нужен постоянный контроль, чтобы учиться эффективно, как при обучении с учителем.Получая только положительные или отрицательные сигналы подкрепления в ответ на наши действия, мы все равно учимся очень эффективно. Например, ребенок учится не прикасаться к горячей сковороде, почувствовав боль.

Одна из самых захватывающих частей обучения с подкреплением заключается в том, что оно позволяет вам отказаться от обучения на статических наборах данных. Вместо этого компьютер может учиться в динамичной шумной среде, такой как игровые миры или реальный мир.

Игры очень полезны для исследований в области обучения с подкреплением, поскольку они обеспечивают идеальную среду с большим количеством данных.Очки в играх — идеальные сигналы вознаграждения для тренировки поведения, мотивированного вознаграждением, например, Марио.

Примеры алгоритмов:

  • Q-Learning,
  • Генетический алгоритм,
  • SARSA,
  • DQN,
  • A3C.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Theme: Overlay by Kaira Extra Text
Cape Town, South Africa