Зачем учить машины?
•
0 likes•125 views
Проанализируем почему мы пришли к машинному обучению, а не программному искуственному интеллекту.
Зачем учить машины?
- 1. Зачем учить машину? Илья Сиганов разработчик / аспирант 7bits / ОмГУ
- 2. Компьютеры становятся все умнее. Ученые утверждают, что скоро они смогут разговаривать с нами. Дейв Барри
- 3. История техники. Аналоговые машины. ● Арифмометры
- 4. История техники. Аналоговые машины. ● “Аналитическая” машина Бэббиджа ● перфокарты ● Программы от Ады Лавлейс
- 5. История техники. Электроника ● Электронные и электромеханические компьютеры
- 6. История техники. Поколения выч.техники. 1. 1940-ые - Электронные лампы 2. Транзисторы 3. Интегральные схемы 4. Микропроцессоры 5. 1980-ые - Искусственный интеллект (sic!)
- 7. Пятое колесо поколение компьютеров ● Хотели запрограммировать искусственный интеллект ● Потратили 10 лет и ~1 млрд. долларов! ● Не получили никакого результата
- 8. Проблема программного ИИ ● Программа - это зафиксированная абстракция ● Абстракции создает человек интерпретируя своё восприятие ● У людей разное восприятие, следовательно абстракции разные НО ● Мир динамичный и меняющийся ● Абстракция - жесткая и статичная ● Тестировать нужно, баги исправлять вручную!
- 9. Упражнение. Кошкность. ● Чем кошка отличается от собаки?
- 10. Типичные “искусственные интеллекты” ● Переводчики между языками, основанные на моделях описания языка, его структуры. ● поиск красных кубиков в видео ● Поиск лиц методом каскада Хаара ● Всевозможные фильтры сигналов ● Поиск музыки по отпечатку
- 11. Что делать? ● Искать гибкие методы, которые легко адаптировать ● Учитывать фактические реальные данные ● Убрать человека из цепочки создания абстракции
- 12. Кто это будет делать?
- 13. Как оно будет это делать? ● Машинное обучение - поиск зависимости между наблюдаемыми и скрытыми данными, т.е. поиск скрытой закономерности
- 14. Как оно будет это делать? ● Машинное обучение - поиск зависимости между наблюдаемыми и скрытыми данными, т.е. поиск скрытой закономерности
- 15. Что значит поиск закономерностей? Закономерность ~ Функция ~ Алгоритм Мы автоматизируем создание алгоритмов
- 16. Рефлексирующие программные системы ? Обычные алгоритмы #1 Машинное обучение #2
- 17. Некоторые боятся, что их заменят скриптом. Более продвинутые боятся, что их заменят машинным обучением.
- 18. Новая проблема ● Кто выбирает алгоритмы второго уровня? (условно ML-алгоритм) ● Нельзя просто так загрузить данные в google-engine и получить ответ? ● Неужели нет “Единого Решения”, “Истинного Алгоритма”?
- 19. К чему это приводит? ● Зоопарк алгоритмов машинного обучения ● Разнообразие классов “задача” ● Проблема предобработки данных ● Проблема интерпретации результата ● Проблема выбора подходящего алгоритма ● Проблема выбора метрики качества ● Проблема переобучения
- 20. Классы задач ● Классификация ● Регрессия ● Структурирование ( Кластеризация ) ● Обнаружение аномалий ● Синтез ● Ранжирование ● Прогнозирование
- 21. Подходы к обучению ● с учителем ○ с подкреплением ● без учителя
- 22. Классификация
- 23. Классификация ● Кредитный скоринг - по показателям клиентов определить вернут они кредит или нет ● Медицинская диагностика ● Распознавание образов (картинок, звуков) ● Определение пола человека по его отпечатку в сети интернет ● Идентификация пользователя по его биометрии
- 24. Регрессия
- 25. Регрессия ● Предсказание температуры воздуха ● Прогнозирование продаж товара ● Прогнозирование стоимости недвижимости ● Определение длительности игры ● Прогноз характеристик хим. соединений ● Кредитный скоринг - определение кредитного лимита
- 26. Поиск структуры
- 27. Поиск структуры ● Классификация без обучающей выборки ● Используется для поиска классов на неразмеченной выборке ● Сегментация аудитории ● Поиск похожих текстов ● Обнаружение аномалий ● Рекомендации основанные на схожести товаров или пользователей
- 28. Прогнозирование
- 29. Прогнозирование ● Метерология ● Банковское дело и предсказание стоимости ценных бумаг ● Прогнозирование уровня зарплат ● Демографические прогнозы ● Всё что связано с трендами, циклическими изменениями
- 30. Интерпретация. Деревья решений Titanic dataset: ● Пол ● Возраст ● Класс (1, 2, 3) ● Тариф ● Порт отбытия ● Родственники на борту
- 34. Признаки?
- 35. Признаки?!
- 36. Сложные вопросы. Какой класс задач?
- 37. Сложные вопросы. Какой класс задач? Декомпозиция звука на компоненты Разделить речь одновременно говорящих людей Подавить сложный шум
- 38. Человек всё еще нужен ● Человек подбирает признаки ● Человек выбирает подходящий класс алгоритмов ML ● Человек эвристически подбирает параметры алгоритмов Машина ищет закономерности в данных
- 39. Ответы на вопросы ● Какие модели есть в проде и где они используются ● Машинное обучение для анализа текстовых документов, примеры и подходы. ● Какие задачи не могут быть решены нейронными сетями и почему? ● Возможно ли написать алгоритм обратного распространения ошибки, который бы подходил для любой нейронной сети(с любым количеством слоев, входов, выходов) ?
- 40. С чего начать? ● www.coursera.org/learn/vvedenie-mashinnoe-obuchenie/home/ welcome ● www.coursera.org/specializations/machine-learning-data-analy sis ● datamininginaction.ru/ ● habrahabr.ru/company/ods/ ● yandexdataschool.ru/edu-process/courses/machine-learning
- 42. ML-сообщество в Омске Первая встреча 27 мая 2017 vk.com/mlomsk