О ПРЕПОДАВАТЕЛЕ •ВОРОНИНА ВАЛЕРИЯ ВАДИМОВНА •VVSH85@MAIL.RU •VK.COM\VALVSH ИСТОЧНИКИ КУРСА • «ОТКРЫТЫЕ КУРСЫ ФИСТ ПО МАШИННОМУ ОБУЧЕНИЮ». АВТОР: МИХЕЕВ АЛЕКСАНДР, РАЗРАБОТЧИКИССЛЕДОВАТЕЛЬ КОМПАНИИ SIMCASE. СТАЖ РАБОТЫ В ОБЛАСТИ ML 5 ЛЕТ. ПРЕДСТАВИЛ АВТОРСКИЕ МАТЕРИАЛЫ, А ТАКЖЕ ПЕРЕРАБОТАННЫЕ МАТЕРИАЛЫ КУРСОВ ЯНДЕКСА. • «МАШИННОЕ ОБУЧЕНИЕ: НОВЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ». АВТОР ЭТЕМ АЛПАЙДИН, КНИГА 2017Г.В. • РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ КАФЕДРЫ «ИНФОРМАЦИОННЫЕ СИСТЕМЫ» В ОБЛАСТИ НЕЧЕТКОЙ ЛОГИКИ. СТРУКТУРА КУРСА 8 лекций : студенты слушают преподавателя, задают по окончании вопросы 7 лабораторных : каждый выполняет за компьютером задание Отчетность - зачет СИСТЕМА ОЦЕНОК Максимум за выполненную лабораторную – 10 баллов Максимум за опрос на лекции – 2 балла Условие получения зачета: 60 баллов и посещение всех лекций ТЕМЫ ТЕОРЕТИЧЕСКОЙ ЧАСТИ КУРСА • ПОНЯТИЕ ИИ, МЕСТО ML В ИИ, ВИДЫ ЗАДАЧ ИИ, ПОЛЕЗНЫЕ ИСТОЧНИКИ, ПОНЯТИЕ ИАД. ПОНЯТИЕ ОБУЧЕНИЯ И ПЕРЕОБУЧЕНИЯ. ВИДЫ МОДЕЛЕЙ ИИ • • • • • РАБОТА С ДАННЫМИ: СБОР, ХРАНЕНИЕ, ПРЕДОБРАБОТКА, ОБРАБОТКА, ИНТЕРПРЕТАЦИЯ. ПОНЯТИЕ ПРОСТРАНСТВА ПРИЗНАКОВ. • • РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ И ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ. ПРОСТЕЙШИЙ АНАЛИЗ, ТЕОРИЯ ВЕРОЯТНОСТЕЙ, ДЕРЕВЬЯ РЕШЕНИЙ, ТЕОРЕМА БАЙЕСА, ФИЛЬТР БЛУМА. СТАТИСТИЧЕСКИЕ МОДЕЛИ И МЕТОДЫ, ПОНЯТИЕ ПАРАМЕТРИЧЕСКОЙ МОДЕЛИ, АДЕКВАТНОСТИ МОДЕЛИ. РЕШЕНИЕ ЗАДАЧ ОПТИМИЗАЦИИ: ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ, ПОЛНЫЙ ПЕРЕБОР. МАТРИЧНЫЙ ВИД НЕЙРОННЫХ СЕТЕЙ, ВИДЫ ФУНКЦИЙ АКТИВАЦИИ, КРАТКИЙ ОБЗОР РАЗЛИЧНЫХ АРХИТЕКТУР НС И АЛГОРИТМОВ ОБУЧЕНИЯ ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ В ЗАДАЧЕ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ. ПОНЯТИЕ ЛИНГВИСТИЧЕСКОЙ ШКАЛЫ, БАЗЫ ПРАВИЛ, НЕЧЕТКОГО ВРЕМЕННОГО РЯДА, ПРОГНОЗ ПО МОДЕЛИ СОНГА. УСЛОВИЯ ПРИМЕНИМОСТИ И ТРЕБОВАНИЯ К КАЧЕСТВУ ТЕМЫ ЛАБОРАТОРНЫХ РАБОТ Генерация данных. Анализ данных. Нечеткая логика и лингвистические шкалы. Регрессия. Нечеткие временные ряды и ряды нечетких тенденций. Генетический алгоритм. Прогноз по нечеткому временному ряду. СТАРТОВЫЕ РЕСУРСЫ И ЛИТЕРАТУРА • ТЕОРИЯ И ПРАКТИКА МАШИННОГО ОБУЧЕНИЯ : УЧЕБНОЕ ПОСОБИЕ / В. В. ВОРОНИНА, А. В. МИХЕЕВ, Н. Г. ЯРУШКИНА, К. В. СВЯТОВ. – УЛЬЯНОВСК : УЛГТУ, 2017. – 290 С. • HTTPS://MACHINELEARNINGMASTERY.COM • НTTP://WWW.MACHINELEARNING.RU/ • АЛПАЙДИН Э. МАШИННОЕ ОБУЧЕНИЕ: НОВЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ • НTTPS://WWW.KAGGLE.COM/ ВОПРОСЫ??? ЧТО ТАКОЕ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ЧТО ЛЕЖИТ В ЕГО ОСНОВЕ РЕШАЕМЫЕ ЗАДАЧИ Прогнозирование и классификация Экспертные системы и принятие решений с учетом ожидаемых значений Кластеризация Анализ текстов и информационный поиск Распознавание образов Ранжирование и рекомендательные системы Системы с адаптивным поведением Распознавание речи и машинный перевод Уменьшение размерности, редукция и ранжирование признаков ТИПЫ ОБУЧЕНИЯ с учителем и активное обучение без учителя С подкреплением СЛОЖНОСТИ МАШИННОГО ОБУЧЕНИЯ ВЫБОР МОДЕЛИ ВЫБОР КРИТЕРИЯ ЭФФЕКТИВНОСТ И ПЕРЕОБУЧЕНИЕ АНАЛИЗ БОЛЬШИХ ОБЪЕМОВ ДАННЫХ 01 02 03 04 Существует достаточно большое количество видов параметрических моделей В некоторых задачах эффективнее не параметрические, а Генеративные модели Велик соблазн к излишнему обобщению и переходу от локальной модели к глобальной В некоторых задачах будет хорошо работать Совокупность моделей ВЫБОР МОДЕЛИ ПОДБОР ВИДА МОДЕЛИ • НЕ ВСЕГДА ВИДНО, КАКАЯ МОДЕЛЬ ПОДОЙДЕТ • КАЧЕСТВЕННЫЕ МОДЕЛИ МОГУТ БЫТЬ ДОРОГИ В РЕАЛИЗАЦИИ (ТОЧНОСТЬ VS СКОРОСТЬ) • МОДЕЛЬ, ХОРОШАЯ В ОБУЧЕНИИ МОЖЕТ ВРАТЬ НА РЕАЛЬНЫХ ДАННЫХ ГЕНЕРАТИВНЫЕ МОДЕЛИ • МЫ ПРЕДПОЛАГАЕМ, ЧТО ДАННЫЕ – РЕЗУЛЬТАТ РАБОТЫ НЕКОТОРОЙ МОДЕЛИ НЕИЗВЕСТНОГО ВИДА, НО С ПАРАМЕТРАМИ, КОТОРЫЕ МЫ МОЖЕМ ОПРЕДЕЛИТЬ • ГЕНЕРАТИВНЫЕ МОДЕЛИ МОГУТ БЫТЬ ПРЕДСТАВЛЕНЫ В ВИДЕ ГРАФА (УЗЛЫ – ПЕРЕМЕННЫЕ, РЕБРА – ЗАВИСИМОСТИ) • МЫ ИДЕМ ОТ ДАННЫХ К ПРИЧИНЕ НЕПАРАМЕТРИЧЕСКИЕ, ЛОКАЛЬНЫЕ И ГЛОБАЛЬНЫЕ МОДЕЛИ Мы можем сохранять данные из обучающей выборки и искать похожие – рассуждение на основе прецедентов. Это непараметрические модели Мы можем построить параметрическую модель для нескольких частных случаев, а затем обобщить ее (локальная и глобальная модели) СОВОКУПНОСТЬ МОДЕЛЕЙ • МЫ МОЖЕМ ПОДОБРАТЬ НАБОР МОДЕЛЕЙ, КАЖДАЯ ИЗ КОТОРЫХ БУДЕТ РАБОТАТЬ НЕДОСТАТОЧНО ХОРОШО, НО В СОВОКУПНОСТИ ОНИ БУДУТ ДАВАТЬ ХОРОШИЙ РЕЗУЛЬТАТ ВЫБОР КРИТЕРИЯ ЭФФЕКТИВНОСТИ От правильности выбора критерия эффективности сильно зависит качество решения При обучении с учителем в качестве меры эффективности мы можем учитывать разницу желаемого от действительного При обучении без учителя или при обучении с подкреплением необходимо выбирать критерии эффективности ПЕРЕОБУЧЕНИЕ • ПЕРЕОБУЧЕНИЕ - ЭТО ЯВЛЕНИЕ, КОГДА ОБУЧАЕМАЯ МОДЕЛЬ ХОРОШО РАСПОЗНАЕТ ПРИМЕРЫ ИЗ ОБУЧАЮЩЕГО МНОЖЕСТВА, НО ПРИ ЭТОМ НЕ РАСПОЗНАЕТ ИЛИ ПЛОХО РАСПОЗНАЕТ ЛЮБЫЕ ДРУГИЕ ПРИМЕРЫ, НЕ УЧАСТВОВАВШИЕ В ПРОЦЕССЕ ОБУЧЕНИЯ (Т.Е. ПРЕДЪЯВЛЯЕМЫЕ ЕЙ В ПРОЦЕССЕ ПРАКТИЧЕСКОГО ИСПОЛЬЗОВАНИЯ). • ПЕРЕОБУЧЕНИЕ - ЭТО РЕЗУЛЬТАТ ЧРЕЗМЕРНОЙ ПОДГОНКИ ПАРАМЕТРОВ МОДЕЛИ К ЗАВИСИМОСТЯМ, СОДЕРЖАЩИМСЯ В ОБУЧАЮЩЕМ МНОЖЕСТВЕ. ЕСЛИ ПРОИСХОДИТ ПЕРЕОБУЧЕНИЕ, ТО МОДЕЛЬ НЕ ПРИОБРЕТАЕТ СПОСОБНОСТИ К ОБОБЩЕНИЮ - ВОЗМОЖНОСТИ РАСПРОСТРАНЯТЬ ОБНАРУЖЕННЫЕ НА ОБУЧАЮЩЕМ МНОЖЕСТВЕ ЗАВИСИМОСТИ И ЗАКОНОМЕРНОСТИ НА НОВЫЕ ДАННЫЕ. ТАКАЯ МОДЕЛЬ НА ПРАКТИКЕ ОКАЗЫВАЕТСЯ БЕСПОЛЕЗНОЙ, ДАЖЕ ЕСЛИ ЕЁ ОШИБКА ОБУЧЕНИЯ МАЛА. АНАЛИЗ БОЛЬШИХ ДАННЫХ • МОДЕЛЬ БУДЕТ ДОЛГО ОБУЧАТЬСЯ • ТРЕБУЮТСЯ БОЛЬШИЕ ВЫЧИСЛИТЕЛЬНЫЕ МОЩНОСТИ • ТРЕБУЕТСЯ БОЛЬШОЙ ОБЪЕМ ПАМЯТИ ДЛЯ ХРАНЕНИЯ • ТРЕБУЮТСЯ АЛГОРИТМЫ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ОБРАБОТКИ ДАННЫХ ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ Отбор данных для анализа Подготовка данных для анализа Анализ данных (средствами машинного обучения и не только) Получение работающей модели Работа модели и интерпретация результатов ВЫВОДЫ Искусственный интеллект – программная система, способная обучаться В основе искусственного интеллекта лежит машинное обучение – совокупность различных методов анализа данных (статистика, теория вероятностей, кибернетика, алгоритмика, математика и т.д.) цель создания искусственного интеллекта – повысить эффективность интеллектуального анализа больших объемов данных, которые человек проанализировать не может Создание искусственного интеллекта сопряжено с различными сложностями, однако это интересное и перспективное направление ВОПРОСЫ???
