Машинное обучение: проблемы и задачи сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

Сочинение на тему Машинное обучение: проблемы и задачи

Машинное обучение – это область компьютерных наук, которая возникла в результате изучения теории распознавания образов и вычислительного обучения в области искусственного интеллекта. Машинное обучение исследует построение и изучение алгоритмов, которые могут учиться и делать прогнозы на основе данных. Такие алгоритмы работают путем построения модели из примерных входных данных, чтобы делать управляемые данными прогнозы или решения: 2, а не следовать строго статическим программным инструкциям.

Машинное обучение тесно связано и часто пересекается с вычислительной статистикой; дисциплина, которая также специализируется на прогнозировании. Он тесно связан с математической оптимизацией, которая предоставляет методы, теорию и области применения на местах. Машинное обучение используется в ряде вычислительных задач, где разработка и программирование явных алгоритмов невозможны.

Примеры приложений включают в себя фильтрацию спама, оптическое распознавание символов (OCR), поисковые системы и компьютерное зрение. Машинное обучение иногда отождествляется с интеллектуальным анализом данных, хотя это больше фокусируется на исследовательском анализе данных. Машинное обучение и распознавание образов «можно рассматривать как две грани одного поля».

При использовании в промышленных условиях методы машинного обучения могут называться прогнозной аналитикой или прогнозным моделированием. В 1959 году Артур Самуэль определил машинное обучение как «область обучения, которая дает компьютерам возможность учиться без явного программирования». Том М. Митчелл дал более цитируемое, более формальное определение: «Говорят, что компьютерная программа извлекает уроки из опыта E в отношении некоторого класса задач T и показателя производительности P, если ее производительность при выполнении задач в T, измеряемая P, улучшается с опытом E ».

Это определение примечательно тем, что оно определяет машинное обучение в основном функционально, а не когнитивно, поэтому следует предложению Алана Тьюринга в его статье «Вычислительная техника и интеллект», что вопрос «Могут ли машины мыслить?» заменить на вопрос «Могут ли машины делать то, что можем мы (как мыслящие сущности)?»

Типы проблем и задач

Задачи машинного обучения обычно подразделяются на три широкие категории в зависимости от характера «сигнала» обучения или «обратной связи», доступных для системы обучения. Это:

     

  • Контролируемое обучение. Компьютер представлен примерами входных данных и их желаемых результатов, предоставленных «учителем», и цель состоит в том, чтобы выучить общее правило, которое отображает входные данные в выходные данные.
  •  

  • Необучаемое обучение. Алгоритм обучения не присваивается меток, что позволяет ему самостоятельно находить структуру входных данных. Самостоятельное обучение может быть самоцелью (обнаружение скрытых закономерностей в данных) или средством достижения цели.
  •  

  • Усиленное обучение. Компьютерная программа взаимодействует с динамической средой, в которой она должна выполнять определенную цель (например, управление транспортным средством), без того, чтобы учитель явно сказал ей, приблизилась ли она к своей цели или нет.

Другой пример – научиться играть в игру, играя против соперника. Между контролируемым и неконтролируемым обучением находится полуобучаемое обучение, когда учитель дает неполный обучающий сигнал: тренировочный набор с некоторыми (часто многими) целевыми результатами отсутствует. Преобразование является частным случаем этого принципа, когда весь набор проблемных примеров известен во время обучения, за исключением того, что часть целей отсутствует. Среди других категорий проблем машинного обучения при обучении обучению учится собственный индуктивный уклон, основанный на предыдущем опыте. Развивающее обучение, разработанное для обучения роботов, генерирует свои собственные последовательности (также называемые учебным планом) учебных ситуаций, чтобы кумулятивно приобретать репертуары новых навыков с помощью автономных.

Машина опорных векторов – это классификатор, который делит свое входное пространство на две области, разделенные линейной границей. Здесь он научился различать черно-белые кружки. Самоисследование и социальное взаимодействие с учителями-людьми, а также использование механизмов руководства, таких как активное обучение, взросление, моторные взаимодействия и имитация. Другая категоризация задач машинного обучения возникает, когда рассматривается желаемый результат работы системы машинного обучения.

     

  • В классификации входные данные делятся на два или более классов, и учащийся должен создать модель, которая присваивает невидимые входные данные одному (или классификации с несколькими метками) или более из этих классов. Обычно это решается под надзором. Фильтрация спама является примером классификации, когда входные данные являются сообщениями электронной почты (или другими), а классы являются «спамом» и «не спамом».
  •  

  • В регрессии, также подконтрольной проблеме, выходные данные являются непрерывными, а не дискретными.
  •  

  • В кластеризации набор входных данных должен быть разделен на группы. В отличие от классификации, группы не известны заранее, что обычно делает эту задачу неконтролируемой.
  •  

  • Оценка плотности находит распределение входов в некотором пространстве.
  •  

  • Уменьшение размерности упрощает входные данные, отображая их в пространство меньшего размера. Моделирование тем является связанной проблемой, когда программе предоставляется список документов на человеческом языке, и ей поручено выяснить, какие документы охватывают аналогичные темы.

История и отношения с другими полями

Как научное начинание, машинное обучение выросло из поисков искусственного интеллекта. Уже в первые дни ИИ как академической дисциплины некоторые исследователи были заинтересованы в том, чтобы машины изучали данные. Они пытались подойти к проблеме с помощью различных символических методов, а также того, что тогда называли «нейронными сетями»; В основном это были персептроны и другие модели, которые впоследствии были найдены как переосмысление обобщенных линейных моделей статистики. Также использовались вероятностные рассуждения, особенно в автоматизированной медицинской диагностике.

Однако все больший акцент на логическом, основанном на знаниях подходе привел к разрыву между ИИ и машинным обучением. Вероятностные системы страдали от теоретических и практических проблем сбора и представления данных. К 1980 году экспертные системы стали доминировать над ИИ, а статистика оказалась вне поля зрения. Работа над символическим / основанным на знаниях обучением продолжалась в ИИ, что привело к программированию индуктивной логики, но теперь более статистическая линия исследований была вне области ИИ, в распознавании образов и поиске информации.

Исследования нейронных сетей были прекращены ИИ и компьютерными науками примерно в одно и то же время. Эта линия также была продолжена за пределами области ИИ / КС как «коннекционизм» исследователями из других дисциплин, включая Хопфилда, Румельхарта и Хинтона. Их основной успех пришел в середине 1980-х годов с переизобретением обратного распространения. Машинное обучение, преобразованное в отдельную область, начало процветать в 1990-х годах. Область изменила свою цель от достижения искусственного интеллекта к решению решаемых проблем практического характера. Он сместил акцент с символических подходов, унаследованных от ИИ, к методам и моделям, заимствованным из статистики и теории вероятностей. Он также выиграл от увеличения доступности оцифрованной информации и возможности ее распространения через Интернет. Машинное обучение и интеллектуальный анализ данных часто используют одни и те же методы и значительно перекрываются. Их можно приблизительно различить следующим образом:

     

  • Машинное обучение ориентировано на прогнозирование, основанное на известных свойствах, извлеченных из данных обучения.
  •  

  • Интеллектуальный анализ данных фокусируется на обнаружении (ранее) неизвестных свойств в данных. Это этап анализа обнаружения знаний в базах данных.
Поделиться сочинением
Ещё сочинения
Нет времени делать работу? Закажите!

Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.