Машинное обучение – что это такое, как работает, история возникновения и основные задачи
Умы современных ученых заняты идеей создания искусственного интеллекта, способного не просто научить машины выполнять конкретно поставленные задачи, но обучаться в процессе работы, делать выводы, самостоятельно совершенствовать процессы – вот что такое машинное обучение.
Что такое машинное обучение?
Современные технологии прочно входят в нашу жизнь, никто не удивляется смартфонам, понимающим голос хозяина, многие квартиры обустраиваются системами «умный дом», самостоятельно контролирующими не только температуру и влажность в помещении, но и другие параметры. Машинное обучение (machine learning) считается одним из самых перспективных направлений современной науки. Наделение машин умением думать, создание искусственного интеллекта для возможности работать без вмешательства человека – вот основная задача машинного обучения.
Как работает машинное обучение?
Недавно программисты всего мира были вынуждены составлять длинные машинные программы для того чтобы компьютеры выполняли конкретные задачи. С развитием языков программирования ситуация стала меняться, и машинное обучение – это самое перспективное направление, которое способно дать возможность машинам самостоятельно принимать правильные решения, развиваясь в процессе работы. Для обучения машин программисты действуют пошагово:
- Сначала предлагают определенные алгоритмы, на которых можно получить представление о необходимых действиях.
- Машина самостоятельно принимает верные решения, опираясь на ранее полученные сведения.
История машинного обучения
В 1936 году был создан первый в мире синтезатор речи. Эту дату можно считать рождением искусственного интеллекта. Тест, способный проводить оценку уровня искусственного интеллекта был создан в 1950 г. программистом Аланом Тьюрингом. Термин «машинное обучение» впервые применил ученый Артур Самуэль, который научил компьютер играть в шашки, это случилось в 1959 году. С тех пор машинное обучение и анализ данных развивались стремительно. Основные этапы развития искусственного интеллекта можно описать в следующей хронологии:
- 1958 год – появился на свет Персептрон, самый первый компьютер, работающий на принципе нейронных сетей, его называли эмбрионом машин будущего.
- 1959 год – профессор Марвин Минский представил миру машину, способную обучаться, работающую на случайных нейросетях;
- 1960 год – ученые из Стэнфордского университета создали тележку, оснащенную компьютерным зрением. Стэнфордская тележка стала длительным проектом, который длился по 1980 год;
- 1963 год – ученый Ларри Робертс защитил диссертацию, в которой представил свое видение компьютерного зрения;
- 1985 год – Терри Сейновски представил миру первую нейронную сеть;
- 1997 год – Гарри Каспаров играл в шахматы с компьютером Deep Blue, и потерпел поражение;
- 2014 год – социальная сеть Facebook представила алгоритм, способный распознавать лица с точностью до 97%;
- 2016 год – чемпион мира по игре го Ли Седоль проиграл программе AlphaGo, которую разработала компания DeepMind.
Задачи машинного обучения
Человеческий разум ученые постепенно пытаются изменить на искусственный. Для обывателей машинное обучение – фантастика, мир, который полон загадок, но специалисты находят применение умным компьютерам, заставляя их выполнять разнообразные задачи. Классы задач машинного обучения разнообразны, но разобраться в них возможно.
- Регрессия. Основной вид алгоритма, которым занимается машинное обучение – регрессия, это возможность предсказать ответ на вопрос, основываясь на разнообразных признаках условия задачи.
- Классификация – умение предсказать ответ, проанализировав несколько разнообразных признаков.
- Кластеризация – создание из множества вариантов понятной системы, разбитой на кластеры по определенным признакам.
- Уменьшение размерности – способность описывать предоставленные данные с помощью меньшего числа, не используя признаки.
- Выявления аномалий – задача, основанная на способности машины отличить по особым признакам обычное действие от подозрительного.
Виды машинного обучения
Создание алгоритмов для решения задач, на основании которых машина может обучаться, положено в основу машинного обучения. Методы машинного обучения разделяются на два вида: индуктивное и дедуктивное. Дедуктивное обучение представляет собой сбор информации и создание базы знаний. Индуктивное обучение делится на следующие виды:
- Обучение с учителем – возможность найти правильное решение по предоставленным ответам.
- Обучение без учителя – способность машины найти зависимость между предоставленными признаками и правильный ответ.
- Обучение с подкреплением – для решения поставленной задачи используются дополнительные параметры, предлагаемые в качестве подкрепления, что и упрощает, и усложняет задачу одновременно.
Проблемы машинного обучения
Многие ученые обеспокоены тем, как глубокое машинное обучение способно изменить нашу жизнь. Компьютеры, лишенные эмоций, не знакомы с нормами морали и этики. Не приведут ли алгоритмы машинного обучения к настоящему восстанию машин? Разобраться в проблемах машинного обучения необходимо, чтобы быть во всеоружии.
- Машины не умеют отличить задачу по степени этичности.
- Не каждый разработчик алгоритма действует на благо обществу.
- Машинное обучение может оказывать влияние на людей.
- Использование «грязных» исходных данных.
- Компьютерный взлом.
С чего начать машинное обучение?
Machine learning – процесс непростой. Научиться составлять алгоритмы для построения нейронными сетями специальных закономерностей можно на специальных трегингах и курсах. Специалистов, которые работают в данной области, не много, машинное обучение для чайников – программы не очень распространенные, но это направление набирает обороты. На таких курсах можно узнать:
- какие методы искусственного интеллекта существуют сегодня;
- как правильно ставить задачи для нейронных сетей;
- какие алгоритмы необходимо подбирать для решения конкретных задач;
- как создавать модели для обучения машин;
- как верно оценивать модели Machine learning;
- как изменить существующие алгоритмы.
Машинное обучение – перспективы
Теория Machine learning стремительно развивается на протяжении последних 80 лет. В последнее время машинное интеллектуальное обучение стало глубинным, перейдя на изучение нейронных сетей нового уровня. Специалисты по глубинному машинному обучению разрабатывают сложные алгоритмы, в которых обучение машин проходит несколько этапов, постепенно совершенствуясь и решая самые фантастические задачи. Работая с очень большими объемами данных, глубинное обучение способно стать одним из самых перспективных направлений в Machine learning.
Какую библиотеку для машинного обучения создала Google?
Компания Google считается первопроходцем в области Machine learning. Недавно специалисты этого ресурса представили на всеобщее обозрение TensorFlow – целую библиотеку машинного обучения. Ее использование способно сократить время на создание собственных программ и моделей машинного обучения. Многие программисты задумываются, стоит ли изобретать велосипед, или проще воспользоваться готовой разработкой от известного брэнда в мире новых технологий. Ответ зависит от задач, которые ставит перед собой конкретная компания.
Книги по машинному обучению
Машинное обучение – новое направление в сфере развития искусственного интеллекта. Задачи, которые ставят перед собой специалисты, работающие в области глубинного машинного обучения амбициозны и перспективны. Людям, которые хотят разобраться в нюансах Machine learning, программисты советуют начать с изучения специальной литературы. Книг по машинному обучению немного, самые понятные можно пересчитать по пальцам.
- «Математические основы машинного обучения и прогнозирования» В.В. Вьюгин. Книга, написанная доктором физико-математических наук, – лучшее издание для тех, кто начинает изучать теорию машинного обучения.
- «Верховный алгоритм» П. Домингос. Автор книги профессор Вашингтонского университета, хорошо разбирающийся в алгоритмах Machine learning и приводящий понятные примеры использования машинного обучения в современной жизни.
- «Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных» П. Флах. Интересное издание, доступно и пошагово без сложных технических терминов, объясняющее принципы машинного обучения.
© Orphus