Introduction to AI and references

Автор: | 29.10.2019

Tags: Introduction AI DL ML нейронная сеть

 

Artificial Intelligance (AI) — это широкое понятие, которое включает в себя все: от обычной алгоритмической классификации, по введенным непосредственно в код условий с признаками, до технологий, таких как Deep Learning (DL).

Простыми словами — все, что выполняется на основе алгоритма, можно назвать искусственным интеллектом. Примеры:

Maching Learning (ML) что это? Как следует из названия, машинное обучение — это алгоритмы с возможностью «учиться». Примеры:

Machine learning — это набор методов, которые компьютеры используют для создания и улучшения прогнозов или поведения на основе данных.

Deep Learning (DL) — глубокое обучение. В чем отличие между ML и DL? Для ML алгоритм обучения вводится вручную. DL основан на шаблонах алгоритмов, которые выбираются автоматически — в зависимости от данных на входе. Простой пример такого обучения:

DL — интеллектуальная система, которая использует методы науки о данных (Data Science) не просто для принятия решений по заданному алгоритму, а прежде всего — для улучшения созданного человеком алгоритма принятия решения.

В отличие от традиционных алгоритмов, основанных на правилах, DL не требует  явного отображения различных сценариев ввода-вывода.  Здесь проблемы решаются путем самообучения, основанного на методах проб и ошибок, а не программируются с помощью специальных правил. Это позволяет прогнозировать и принимать решения на основе многочисленных, тесно связанных между собой факторов, чего не может достичь традиционное программирование. Самое важное в машинном обучении — это правильно подобранные данные обучения.

Следующим большим шагом вперед в AI станут системы, которые действительно воспринимают свой мир (см. Концептуальная схема восприятия мира).

Способность создавать абстракции из представлений знаний является одним из самих ярких признаков человеческого интеллекта.

Доступ к миру возможен только через призму опыта, поэтому понять мир — значит быть в состоянии предсказать и контролировать свой опыт, данные о своих чувствах с некоторой точностью и гибкостью. Другими словами, понимание означает формирование прогностической модели мира и использование ее для получения того, что вы хотите.

Проектирование признаков — это искусство понимания проблемы и использования знаний предметной области для выбора, создания и преобразования переменных, которые будут использоваться в вашей модели машинного обучения. Этот шаг очень важен в прикладном машинном обучении, так как качество и количество признаков будут иметь большое влияние на то, хорошая модель или нет.

Использовать традиционный алгоритмический подход для приложений с искусственным интеллектом уже стало неэффективно. Что приходит ей на смену? Взяв за основу принцип образования нейронных связей в мозгу человека, учеными была создана новая модель программирования – искусственная нейронная сеть, имеющая способность к самообучению.

Нейронные сети — один из способов, с помощью которых модель машинного обучения может предсказать вещи. Нейронные сети работают немного как наш мозг, настраивая себя на множество тренировок, чтобы понять, как должен выглядеть банан. Вы создаете множество слоев с узлами НС, которые становятся очень глубокими, откуда и происходит название Deep Learning.

Данные делятся на тренировочную выборку (train) и тестовую (test). Для тренировочной части известно значение целевой переменной (target), для тестовой — нет. Задача участников создать модель, которая, будучи обучена на тренировочной части данных выдаст максимальный результат на тестовой.

Соревнования по науке о данных являются отличным ресурсом для обучения машинному обучению. Есть два основных сайта, где можно посоревноваться с Kaggle и Analytics Vidhya.

Подробнее смотри в публикациях:

 

Полезные ссылки:

 

Автор: Николай Свирневский