Introduction to AI and references

Автор: | 29.10.2019

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 (см. Are Neural Networks Capable of Abstract Reasoning?).

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