Машинное обучение: как искусственный интеллект становится умнее
Машинное обучение: как искусственный интеллект становится умнее Разбираемся, что такое машинное обучение и как оно помогает ИИ становиться умнее. Машинное обучение относится к разделу искусственного интеллекта, где компьютер учится решать задачи без прямых инструкций программистаИсточник: Hi-Tech Mail Машинное обучение — технология, которая позволяет компьютерам находить закономерности в данных и делать прогнозы без прямых инструкций программиста. На ней работают голосовые помощники, рекомендации в онлайн-кинотеатрах, распознавание лиц в смартфонах и даже системы диагностики заболеваний. В статье рассказываем, как устроено машинное обучение, какие методы используются и какие задачи оно решает. Машинное обучение — раздел искусственного интеллекта, где компьютер сам находит закономерности в данных и учится делать выводы без явных инструкций. В отличие от традиционного программирования с жестким алгоритмом действий, ML использует подход «данные + результат = алгоритм». Первые шаги к машинному обучению сделаны в 1950-х: тест Тьюринга, нейрокомпьютер «Марк-1», программа для игры в шашки, обучавшая сама себя. Основные методы обучения: с учителем (размеченные данные), без учителя (поиск структур в неразмеченных данных), с подкреплением (обучение пробами и ошибками), ансамблевые методы и нейросети. Типы задач в ML: классификация (отнесение к категориям), регрессия (предсказание чисел), кластеризация (группировка без подсказок), ранжирование, обнаружение аномалий, рекомендательные системы, сокращение размерности. Машинное обучение — это раздел искусственного интеллекта, в котором компьютеры учатся решать задачи без прямых инструкций программиста. Вместо того чтобы прописывать алгоритм действий для каждого случая, специалист передает машине данные, а она сама находит в них закономерности и делает выводы. В традиционном программировании работает схема: данные плюс алгоритм дают результат. Программист пишет четкую последовательность действий, и компьютер ее выполняет. В машинном обучении формула другая: данные плюс результат дают алгоритм. Машина получает множество примеров и сама выводит правила, по которым эти примеры связаны с ответами. Представьте, что нужно научить очень маленького ребенка отличать кошек от собак. Можно каждый раз объяснять признаки: у кошек уши острые, у собак висячие, кошки мяукают, собаки лают. Но проще показать сто фотографий с подписями «кошка» и «собака» — ребенок сам заметит закономерности. Примерно так же работает машинное обучение. Модель машинного обучения можно сравнить с черным ящиком. В него поступают данные — это общее условие задачи, которую нужно решить. На выходе получается ответ. Внутри ящика есть множество параметров — все они влияют на обработку информации, а значит и на результат. Суть машинного обучения — подобрать такие значения параметров, чтобы ответы модели совпадали с правильными ответами из обучающих примеров. Когда параметры настроены, модель может решать другие задачи того же типа, даже если у нее изначально не было для них верных ответов. История машинного обучения Машинное обучение активно развивается в XXI веке, но первые шаги к нему сделали еще в середине прошлого столетия. В 1950 году Алан Тьюринг предложил тест для оценки интеллекта компьютера: если человек в переписке не может отличить машину от другого человека, значит, компьютер мыслит. В 1958 году ученый Фрэнк Розенблатт создал «Марк-1» — первый компьютер, работавший на основе искусственной нейросети. Устройство могло распознавать образы и даже пыталось предсказывать погоду. Коллеги подвергли технологию суровой критике: развитие нейросетей надолго затормозилось. Термин «машинное обучение» ввел Артур Самуэль из IBM в 1959 году. Он разработал программу для игры в шашки, которой не требовался партнер: она могла играть сама с собой и учиться на своем опыте. Это был первый случай, когда компьютер показал поведение, на которое его не программировали специально. В конце 80-х годов аспиранты университета Карнеги — Меллона спроектир