Воскресенье, 21.01.2018, 17:47
Приветствую Вас Гость | RSS
Главная | Блог | Регистрация | Вход
Меню сайта
Форма входа
Календарь
«  Декабрь 2017  »
ПнВтСрЧтПтСбВс
    123
45678910
11121314151617
18192021222324
25262728293031
Архив записей
Статистика

Онлайн всего: 1
Гостей: 1
Пользователей: 0
Ответы на вопросы / Відповіді на запитання
Главная » 2017 » Декабрь » 24 » Машинне навчання і нейронні мережі
01:37
Машинне навчання і нейронні мережі

Досвід старшого наукового співробітника і технічного директора дослідницького центру Google в Цюріху (Джерело)

Машинне навчання — шлях до штучного інтелекту

Машинне навчання — це всього лише спроба зробити машину, яка вчиться на власному досвіді. Сьогодні ми припускаємо, що розробка таких машин — найшвидший шлях до створення справжнього штучного інтелекту. Але щоб комп'ютер став розумним, повинен статися прорив на стику науки та мистецтва.

Machine Learning — новий інструмент, новий шлях інженерії. Ми займаємося машинним навчанням у двох напрямках: покращуємо свої продукти — наприклад, пошуковик, наріжний камінь нашого бізнесу, — і будуємо абсолютно нові продукти, які раніше були просто неможливі. Є кілька методів машинного навчання, які сьогодні застосовуються на практиці.

3 методу

Навчання на прикладах

Supervised Learning — один з найважливіших типів. Уявіть, якби ви вчились грати в шахи, а за вашою спиною стояв би гросмейстер і нашіптував, як ходити. Конкретний приклад: автоматичне сортування спаму у вашій пошті. Раніше програмісти ставили певні правила, наприклад, якщо в тексті слово viagra написана з дивними символами — це на 99 відсотків спам. Тепер же алгоритм вивчає архів листів, які були позначені як спам і не спам. Він робить це знову і знову і повільно, але вірно стає краще і краще, визначає спам точніше. Це дуже успішна техніка — і кістяк багатьох систем.

Цікавитесь машинним навчанням?! Тоді вам сюди: искусственные нейронные сети презентация.

Навчання з підкріпленням

Reinforcement Learning ґрунтується на негативному і позитивному відгуку, або, інакше кажучи, на досвіді. Якщо наводити приклад з шахами: уявіть, якби ви вчились грати, кожен раз програвали, але робили з цього висновки.

Самонавчання

Метод спонтанного навчання (Unsupervised Learning) працює без втручання з боку експериментатора. Машина робить аналіз структур даних, вычленяя з них якісь загальні патерни. Ми, люди, володіємо всіма трьома вищезазначеними способами. Але машини поки непогано освоїли тільки перший, і поступово ми намагаємося навчити двома іншими.

Як саме навчаються машини

Машинне навчання завжди має справу з введенням і виведенням даних, і між цими процесами стоїть якась математична модель. Уявіть, що нам потрібно передбачити оцінки учнів по тому, скільки часу вони витратили на підготовку до іспиту. Звичайно, здавалося б, чим довше вони займаються, тим вище їх оцінки. Але раптом тест дуже легкий, і вчитися не обов'язково? Або, навпаки, тест жахливо важкий? Машина не знає ці тонкощі, у неї немає життєвого досвіду. Як же їй прорахувати ці закономірності?

Взагалі, вся завдання вписується в лінійний графік Wx + B — це і є шукана модель. Ми можемо підставляти під значення W і B-будь-які числа, які беремо із спостережень: наприклад, студент займався два з половиною години і отримав оцінку 80; потім ми звертаємося до іншого спостереження і будемо продовжувати заносити дані, скорочуючи помилку прогнозу. По закінченні часу з накопиченням досвіду ми отримаємо графік, який буде відображати загальну тенденцію.

Така спрощена система і є суть програми машинного навчання. Одна її частина — це вхідні дані, математична модель і набір параметрів (частіше просто набір чисел); друга — алгоритм, який порівнює вхідні дані і постійно уточнює прогноз. Щоб система вдосконалювалась, вона повинна пройти цей шлях мільйони і мільярди разів. Тому ми тільки недавно прийшли до її створення: комп'ютери стали для неї достатньо потужними. І все одно вони як і раніше дуже повільні учні.

Інша проблема машинного навчання: ми повинні мати мільйони і мільйони прикладів, тих самих вхідних і вихідних даних. Сама система — це щось на зразок ракети: розумники зразок мене можуть годинами говорити про те, яка у неї повинна бути форма, але вона нікуди не полетить без палива. Ці дані — якраз воно і є.

Що таке глибинне навчання

Мати справу з простими рівняннями — це одне, але як, наприклад, визначити, що зображено на картинці? Потрібна набагато більш складна математична модель. І тут на допомогу приходить Deep Learning — специфічний тип машинного навчання. По суті, це те, що називається штучною нейронною мережею. Концепцію придумали ще в 1930-х, але важливі математичні розрахунки для неї провели тільки в 1980-х. Головна особливість глибинного навчання в тому, що воно ґрунтується не на функції, а на великому наборі.

Ви сприймаєте цю інформацію завдяки взаємодії гігантського кількості нейронів — індивідуальних клітин, з яких складається мозок. Кожна з них сама по собі не розумна. Але вона взаємодіє з іншими нейронами поблизу, грунтуючись на тому, як вони перетворюють вхідний сигнал у вихідний.

У нейронної мережі Google замість окремих клітин-нейронів крихітні математичні функції — може бути, трохи складніше, ніж Wx + B. Кожна з них орієнтується на безліч навколо. Мільйони і мільярди математичних функцій працюють разом, і чим краще вони натреновані на це, тим сильніше система.

Ця технологія дозволяє робити різні божевільні речі: підписувати фотографії, синтезувати мистецтво і навіть вигравати в го. Вона також використовується в розпізнаванні мови і тексту.

Просмотров: 261 | Добавил: 329 | Рейтинг: 0.0/0
Всего комментариев: 0
Имя *:
Email *:
Код *:
Сделать бесплатный сайт с uCoz