Машинное обучение
(
англ.
machine learning
, ML) — класс методов
искусственного интеллекта
, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Для построения таких методов используются средства
математической статистики
,
численных методов
,
математического анализа
,
методов оптимизации
,
теории вероятностей
,
теории графов
, различные техники работы с
данными в цифровой форме
.
Различают два типа обучения:
-
Обучение по прецедентам
, или
индуктивное обучение
, основано на выявлении
эмпирических закономерностей
в
данных
.
-
Дедуктивное обучение
предполагает формализацию знаний экспертов и их перенос в компьютер в виде
базы знаний
.
Дедуктивное обучение принято относить к области
экспертных систем
, поэтому термины
машинное обучение
и
обучение по прецедентам
можно считать синонимами.
Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с
извлечением информации
(
англ.
information extraction
,
information retrieval
),
интеллектуальным анализом данных
(
data mining
).
Общая постановка задачи обучения по прецедентам
Имеется множество
объектов
(ситуаций) и множество возможных
ответов
(откликов, реакций). Существует некоторая зависимость между ответами и объектами, но она неизвестна. Известна только конечная совокупность
прецедентов
— пар «объект, ответ», называемая
обучающей выборкой
. На основе этих данных требуется восстановить неявную зависимость, то есть построить алгоритм, способный для любого возможного входного объекта выдать достаточно точный классифицирующий ответ. Эта зависимость не обязательно выражается аналитически, и здесь нейросети реализуют принцип эмпирически формируемого решения. Важной особенностью при этом является способность обучаемой системы к обобщению, то есть к адекватному отклику на данные, выходящие за пределы имеющейся обучающей выборки. Для измерения точности ответов вводится оценочный
функционал качества
.
Данная постановка является обобщением классических задач
аппроксимации
функций. В классических задачах аппроксимации объектами являются действительные числа или векторы. В реальных прикладных задачах входные данные об объектах могут быть неполными, неточными, нечисловыми, разнородными. Эти особенности приводят к большому разнообразию методов машинного обучения.
Способы машинного обучения
Раздел машинного обучения, с одной стороны, образовался в результате разделения науки о
нейросетях
на методы обучения сетей и виды топологий их архитектуры, с другой стороны — вобрал в себя методы математической статистики
. Указанные ниже способы машинного обучения основаны на применении нейросетей, хотя существуют и другие методы, основанные на обучающей выборке — например, дискриминантный анализ, оперирующий обобщённой дисперсией и ковариацией наблюдаемой статистики, или байесовские классификаторы. Базовые виды нейросетей, такие как
перцептрон
и
многослойный перцептрон
(а также их модификации), могут обучаться как с учителем, так и без учителя, с подкреплением и самоорганизацией. Но некоторые нейросети и большинство статистических методов можно отнести только к одному из способов обучения. Поэтому, если нужно классифицировать методы машинного обучения в зависимости от способа обучения, то будет некорректным относить нейросети к определенному виду, правильнее было бы типизировать алгоритмы обучения нейронных сетей.
-
Искусственная нейронная сеть
-
Глубокое обучение
-
Метод коррекции ошибки
-
Метод обратного распространения ошибки
-
Метод опорных векторов
-
Обучение без учителя
— для каждого прецедента задаётся только «ситуация», требуется сгруппировать объекты в
кластеры
, используя данные о попарном сходстве объектов, и/или понизить размерность данных:
-
Альфа-система подкрепления
-
-
Метод ближайших соседей
-
Генетический алгоритм
.
-
Активное обучение — отличается тем, что обучаемый алгоритм имеет возможность самостоятельно назначать следующую исследуемую ситуацию, на которой станет известен верный ответ:
-
Обучение с частичным привлечением учителя
(
англ.
semi-supervised learning
) — для части прецедентов задается пара «ситуация, требуемое решение», а для части — только «ситуация»
-
Трансдуктивное обучение
— обучение с частичным привлечением учителя, когда прогноз предполагается делать только для прецедентов из тестовой выборки
-
Многозадачное обучение
(
англ.
multi-task learning
) — одновременное обучение группе взаимосвязанных задач, для каждой из которых задаются свои пары «ситуация, требуемое решение»
-
Многовариантное обучение
(
англ.
multiple-instance learning
) — обучение, когда прецеденты могут быть объединены в группы, в каждой из которых для всех прецедентов имеется «ситуация», но только для одного из них (причем, неизвестно какого) имеется пара «ситуация, требуемое решение»
-
Бустинг
(
англ.
boosting
— улучшение) — это процедура последовательного построения композиции алгоритмов машинного обучения, когда каждый следующий алгоритм стремится компенсировать недостатки композиции всех предыдущих алгоритмов.
-
Байесовская сеть
Классические задачи, решаемые с помощью машинного обучения
Типы входных данных при обучении
-
Признаковое описание
объектов или матрица объекты-признаки — наиболее распространённый случай. Каждый объект описывается набором признаков.
-
Матрица расстояний
между объектами. Каждый объект описывается расстояниями до всех остальных объектов обучающей выборки, чаще всего отношениями попарного сходства.
-
Временной ряд
или
сигнал
. Последовательность измерений во времени, которое может представляться числом, вектором, а в общем случае — признаковым описанием в данный момент времени.
-
Изображение
или
видеоряд
.
-
обычный текст с помощью
Обработка естественного языка
.
Типы функционалов качества
-
При
обучении с учителем
— функционал качества может определяться как средняя ошибка ответов. Предполагается, что искомый алгоритм должен его минимизировать. Для предотвращения
переобучения
в минимизируемый функционал качества часто в явном или неявном виде добавляют регуляризатор.
-
При
обучении без учителя
— функционалы качества могут определяться по-разному, например, как отношение средних межкластерных и внутрикластерных расстояний.
-
При
обучении с подкреплением
— функционалы качества определяются физической средой, показывающей качество приспособления агента.
Практические сферы применения
Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности.
Машинное обучение имеет широкий спектр приложений
[
источник не указан 3746 дней
]
:
Сфера применений машинного обучения постоянно расширяется. Повсеместная информатизация приводит к накоплению огромных объёмов данных в науке, производстве, бизнесе, транспорте, здравоохранении. Возникающие при этом задачи прогнозирования, управления и принятия решений часто сводятся к обучению по прецедентам. Раньше, когда таких данных не было, эти задачи либо вообще не ставились, либо решались совершенно другими методами.
См. также
Примечания
Комментарии
Сноски
Литература
-
Айвазян С. А.
, Енюков И. С., Мешалкин Л. Д.
Прикладная статистика: основы моделирования и первичная обработка данных. — М.: Финансы и статистика, 1983.
-
Айвазян С. А., Енюков И. С., Мешалкин Л. Д.
Прикладная статистика: исследование зависимостей. — М.: Финансы и статистика, 1985.
-
Айвазян С. А.,
Бухштабер В. М.
, Енюков И. С., Мешалкин Л. Д.
Прикладная статистика: классификация и снижение размерности. — М.: Финансы и статистика, 1989.
-
Вапник В. Н.
Восстановление зависимостей по эмпирическим данным. — М.:
Наука
, 1979.
-
Журавлёв Ю. И
., Рязанов В. В., Сенько О. В.
«Распознавание». Математические методы. Программная система. Практические применения. — М.: Фазис, 2006.
ISBN 5-7036-0108-8
.
-
Загоруйко Н. Г.
Прикладные методы анализа данных и знаний. — Новосибирск: ИМ СО РАН, 1999.
ISBN 5-86134-060-9
.
-
Флах П.
Машинное обучение. —
М.
: ДМК Пресс, 2015. — 400 с. —
ISBN 978-5-97060-273-7
.
-
Шлезингер М., Главач В.
Десять лекций по статистическому и структурному распознаванию. — Киев:
Наукова думка
, 2004.
ISBN 966-00-0341-2
.
-
Hastie, T., Tibshirani R., Friedman J.
. — 2nd ed. — Springer-Verlag, 2009. — 746 p. —
ISBN 978-0-387-84857-0
.
.
-
Mitchell T.
Machine Learning. — McGraw-Hill Science/Engineering/Math, 1997.
ISBN 0-07-042807-7
.
-
Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983),
Machine Learning: An Artificial Intelligence Approach
, Tioga Publishing Company,
ISBN 0-935382-05-4
(
в «
Книгах Google
»).
-
Vapnik V. N.
Statistical learning theory. — N.Y.: John Wiley & Sons, Inc., 1998.
-
Bernhard Schölkopf
,
Alexander J. Smola
Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond. —
MIT Press
, Cambridge, MA, 2002
ISBN 978-0-262-19475-4
-
I. H. Witten
,
E. Frank
Data Mining: Practical Machine Learning Tools and Techniques (Second Edition). — Morgan Kaufmann, 2005
ISBN 0-12-088407-0
-
Liang Wang, Li Cheng, Guoying Zhao.
Machine Learning for Human Motion Analysis. — IGI Global, 2009. — 318 p. —
ISBN 978-1-60566-900-7
.
-
Ян Лекун
.
Как учится машина. Революция в области нейронных сетей и глубокого обучения. (Библиотека Сбера: Искусственный интеллект). —
М.
: Альпина нон-фикшн, 2021. —
ISBN 978-5-907394-29-2
.
Ссылки
-
-
— профессиональный вики-ресурс, посвященный машинному обучению и интеллектуальному анализу данных
-
-
Константин Воронцов
. Курс лекций
,
МФТИ
, 2004—2008
-
Константин Воронцов
.
школы анализа данных компании
Яндекс
.
-
Игорь Кураленок
.
Лекториум.
-
Роман Шамин
.
. НОЦ
Математического института им. В. А. Стеклова РАН
Ссылки на внешние ресурсы
|
|
|
В библиографических каталогах
|
|