Основы
В настоящее время машинное обучение является горячей темой, широко освещаемой в СМИ. Но есть много людей, которые слышали об этом, но понятия не имеют, как это работает. Обычно бабушки смотрят много телевизионных новостей и шоу, которые показывают им действительно странную точку зрения на эти темы. Такие вещи, как «Они украдут наши рабочие места» или «ИИ был создан дьяволом», дают нашим бабушкам множество неправильных представлений о красивой теме, которая имеет глубокие корни в математических теориях.
У пожилых людей другое мышление.
Прежде чем я начну, я хочу дать вам совет: не пытайтесь обучать пожилого человека техническим вещам со своей обычной скоростью. Им нужно некоторое время, чтобы усвоить информацию, и вы должны быть очень добры и терпеливы, если только ваша бабушка не была ученым или не имела сильного математического образования.
Чтобы научить свою бабушку машинному обучению, я считаю, что единственный инструмент, который вам понадобится, — это маленький ребенок. Больше ничего.
Когда вы обучаете машинному обучению свою бабушку, постарайтесь проявить творческий подход. Возьмите в свои руки все ресурсы, которые есть в Интернете. Для подавляющего большинства бабушек математика — очень запутанная и скучная тема. Старайтесь не быть очень строгим и по возможности избегайте математического жаргона.
Сейчас: 6 уроков
1. Что такое машинное обучение?
Машинное обучение — это субдисциплина искусственного интеллекта. Это в основном смесь математики, статистики, вычислений и многих математических наук. Я упоминал математику? Теперь можно спросить, почему так широко используется математика в машинном обучении? Ответ прост: хотя компьютеры развивались как на дрожжах с начала 1950-х годов, у нас все еще нет возможности полностью смоделировать интеллектуальную биологическую систему. По этой причине мы используем статистические трюки, которые позволяют нам выполнять определенные операции, такие как классификация объектов или закономерностей. Дело не в том, что он на самом деле принимает человеческий интеллект, как это можно было бы показать в некоторых фильмах или телесериалах, где показаны машины с такими элементами, как разум и чувства или, возможно, творчество. Это просто реализации математических теорий, показавшие, что они обладают очень интересными свойствами и прекрасно применимы в этой области. В настоящее время математические процедуры настолько развиты, что даже в рамках одного и того же подхода рассматривается возможность их улучшения и развития даже без вмешательства человека.
Таким образом, моя дорогая бабушка, машинное обучение — это не что иное, как простое использование математических формул, которые позволяют компьютеру различать, принадлежат ли определенные вещи к одной группе или принадлежат к другой (классификация), или пытаться предсказать будущие значения на основе прошлых данных. (регрессия).
Теперь, когда мы знаем, что такое машинное обучение, следует рассмотреть, в каких ситуациях применение этих методов может быть полезным.
Обычно эксперты по машинному обучению упоминают, что существует по крайней мере 5 групп, в которые вы можете классифицировать методы, используемые для классификации или вынесения выводов о вещах, которые они пытаются предсказать.
2. Контролируемое обучение
Первая техника машинного обучения, которую мы собираемся увидеть, называется обучением с учителем. Это может быть очень просто или очень сложно в зависимости от используемых алгоритмов, но в целом идея довольно проста: предположим, вы хотите, чтобы машина научилась распознавать вашу букву, то есть то, как вы пишете, и преобразовывать ее в текст. Для этого вам нужно начать создавать базу данных с изображениями ваших рукописных писем и соответствующей меткой, которая идентифицирует, какое письмо вы только что написали. Чем больше букв вы нарисовали и пометили, тем меньше вероятность того, что машина выдаст неверный результат.
Следующим шагом, который вы должны сделать, является выяснить, какой алгоритм подходит для решения задач этого типа. Уже имея базу данных и зная алгоритм, который вы хотите применить, вам просто нужно ввести этот алгоритм в базу данных и начать тестирование, чтобы увидеть, насколько точны ответы, выдаваемые машиной. Этот этап называется обучением.
Чтобы сделать мысль более ясной, я возьму в качестве примера ребенка, которого вы учите геометрическим фигурам. Скорее всего, у вас были изображения разных геометрических фигур, например, квадрат, круг, треугольник, шестиугольник и так далее. Также вполне вероятно, что у вас есть два набора геометрических фигур; некоторые из них имеют свое имя, написанное ниже в качестве этикетки, и другой набор с теми же геометрическими фигурами, но без маркировки. Фаза обучения алгоритма машинного обучения — это та же фаза, на которой ребенок смотрит на геометрические фигуры со своими метками. Затем, когда считается, что ребенок достаточно обучен, он приступает к расспросам, используя карточки, не имеющие метки, и спрашивает, какую геометрическую фигуру он видит в данный момент. Точно так же мы продолжаем делать запросы в алгоритмах обучения с учителем, которые уже были обучены. Они подобны тем детям, которые наблюдали достаточное количество размеченных геометрических фигур и должны уметь отличать одну геометрическую фигуру от другой.
Примером из реальной жизни, в котором применяются методы обучения с учителем, является обнаружение спама. Поначалу может немного раздражать, что в вашем почтовом лотке много спама, но чтобы попытаться решить эту проблему, поставщики услуг электронной почты имеют кнопку, которая называется «Отметить как спам» или «Отметить как нежелательную почту». Когда человек находит сообщение и помечает его как спам, в работу вступает алгоритм контролируемого обучения, который определяет, какие слова являются наиболее важными, и идентифицирует это электронное письмо как спам, чтобы попытаться избежать получения электронных писем с похожими словами в будущем.
3. Обучение без учителя
Чтобы объяснить, как работает обучение без присмотра, я вернусь к примеру, который мы использовали для детей, изучающих геометрические фигуры. Предположим, что достаточно маленькому ребенку дано несколько карточек с одинаковыми немаркированными геометрическими фигурами. В это время вашей целью будет научить ребенка классифицировать геометрические фигуры по группам. Скорее всего, вы изначально показываете ребенку, что каждая геометрическая фигура будет складываться в группу однотипных карточек. Если мы думаем с точки зрения машинного обучения, в то время вы играете роль алгоритма, а ребенок — это машина. Позже, когда вы дадите ребенку карточки, вы увидите, что, хотя он и не знает, как называется каждая геометрическая фигура, он в состоянии классифицировать их по своей форме, и если он получит новую карточку с похожей формой, он будет знать в какую группу карт он должен положить его.
Примером приложения для неконтролируемого обучения является кластеризация. Это основано на возможности делать выводы на основе предыдущих данных, которые позволяют обнаруживать закономерности определенного типа. Например: Системы рекомендаций обычно применяют методы кластеризации. Это очень распространено в Интернете и широко распространено среди людей, которые используют интернет-услуги, такие как электронная коммерция, потоковые сервисы, электронные библиотеки. По сути, когда у вас есть учетная запись в электронном книжном магазине и вы купили несколько книг или просмотрели какие-то книги, которые вам показались интересными, алгоритм онлайн-сервиса отслеживает ваши движения, собирает их в базу данных, и с такими данными этот может сделать рекомендации для книг, которые вы можете не знать, но которые могут вам понравиться, исходя из привычек, которые вы представляете на этой платформе.
4. Обучение с подкреплением
Обучение с подкреплением основано на теориях психологии. Это основано на том факте, что обычно за конкретным действием следует что-то желательное или что-то нежелательное. Чаще всего следуйте по пути, который приносит наибольшую пользу или по тому пути, который представляет желательную ситуацию, и старайтесь избегать дорог, которые ведут к нежелательным ситуациям. Чтобы было понятнее, давайте возьмем пример с детьми. Подумайте о следующей ситуации: ребенок один в комнате, в которой есть только два элемента: телевизор и пульт дистанционного управления. Ребенок попытается включить телевизор, нажав на каждую из кнопок. В тот момент, когда он нажимает на кнопку, а телевизор не включается, можно считать, что это нежелательный случай и, скорее всего, ребенок не будет пытаться использовать кнопку для включения телевизора. Наоборот, когда ребенок найдет кнопку, которая включает телевизор, для него это будет желательным стимулом, и каждый раз, когда он захочет включить телевизор, он будет идти прямо к этой кнопке, а не нажимать ее. каждую кнопку, пока она снова не заработает.
У обучения с подкреплением также есть свои приложения. Это, например, роботы, которые требуют исследовательских задач, они также широко используются в области игр, не только видеоигр, но и настольных игр, например, разработки искусственного интеллекта, которые играют в шахматы, или шашки, или Го.
5. Обработка естественного языка
Теперь давайте посмотрим на довольно поразительную часть машинного обучения. Это известно как естественная обработка языка. Это довольно интересно из-за своей большой сложности, поскольку люди, использующие повседневный язык, обычно не осознают чудо человеческого мозга и его способности разрешать и интерпретировать двусмысленности в языке.
Остановитесь и задумайтесь над следующей фразой: «курица готова к употреблению»… Как вы думаете, сколько значений может иметь эта фраза? Может быть, я готовил курицу со своей семьей и всем говорил, что курица готова? Могло ли быть так, что ко мне подошел цыпленок и сказал, что готов поесть?
В этой ситуации заключается сложность обработки естественного языка. Двусмысленность трудно устранить, и требуется много контекста, чтобы иметь возможность сделать вывод о том, что означает то, что в данный момент имеет некоторые выражения.
Специалисты в этой дисциплине машинного обучения постоянно ищут новые способы взаимодействия с машинами посредством использования повседневного языка.
Некоторыми примерами применения этой методологии в ситуациях повседневной жизни являются, например, языковые переводчики, которые работают с голосовыми мобильными помощниками, которые в настоящее время можно найти на сотовых устройствах, или даже можно управлять целым домом или транспортным средством с помощью голосовых команд.
6. Глубокое обучение
И, наконец, мы поговорим об одной из методологий, которая в настоящее время имеет большую популярность: это глубокое обучение.
Глубокое обучение немного сложнее объяснить, потому что по сравнению с его классификацией существует довольно много различий в критериях, то есть есть теоретики, которые классифицируют его в рамках категорий машинного обучения, но есть и другая группа теоретиков, которые считают глубокое обучение не в категории машинного обучения, и они помещают его на более высокий уровень в категории искусственного интеллекта.
Несмотря на это, системы глубокого обучения используют все методы машинного обучения, которые мы видели до сих пор.
Глубокое обучение основано на моделировании поведения нейронов, присутствующих в биологических организмах, посредством использования абстракций данных, которые представляют собой взаимосвязанные уровни различных блоков обработки. Возможно, для бабушки это определение звучит довольно сложно и непонятно, но в основном оно относится к тому, что для распознавания шаблона слои алгоритмов складываются друг в друга, в которых результат вычисления поступает в качестве входных данных для следующего алгоритма очень похожим образом. как нейроны действуют в мозгу. Они получают разную информацию, поступающую от разных датчиков, и превращают ее в результат, нацеленный на следующий нейрон.
Теперь для нашей бабушки мы вернемся к примеру с ребенком: Теперь представьте себе ребенка, которого вы впервые учите, что такое собака. Ребенок узнает, что такое собака, а что нет, указывая на разные предметы и произнося слово «собака». Теперь вы говорите ему в зависимости от того, на что он указывает, собака это или не собака. Между тем, ребенок, указывая на разные виды предметов, получает представление о вторичных признаках того, что подразумевает собака. Вот что такое глубокое обучение.
