Алгоритмы машинного обучения

Введение
С каждым днем ​​искусственный интеллект все активнее вторгается в повседневную жизнь. В 90-х и начале XXI века наибольших успехов добился искусственный интеллект. Все больше и больше разнообразных работ оставляют роботам люди, к примеру, исследование иных планет, разнообразные географические обследования, обезвреживание бомб или обычное осуществление повседневных рутинных работ, таких как уборка. Компьютеры достигли немаловажного прогресса, и сегодня они могут автономно выполнять большое число функций: делать различные прогнозы, управлять машинами и самолетами, передавать новости или просто забавлять нас. На сегодняшний день многие фабричные работы реализовываются промышленными роботами. Это повергло к удешевлению производства многообразных товаров, в том числе автомобилей и электроники.Одним из назначений в искусственном интеллекте считается машинное обучение. Главный принцип машинного обучения состоит в том, что машины принимают данные и «учатся» на них. Сейчас это наиболее перспективный инструмент для бизнеса на базе искусственного интеллекта, в чем и заключается актуальность данной работы.Машинное обучение представляют собой одну из самых знаменитых технологий в 2020 году. Так как объем данных повышается день ото дня, потребность в машинном обучении также усиливается в геометрической прогрессии. Машинное обучение является очень широкой темой, которая имеет разнообразные алгоритмы и варианты употребления в любой области и отрасли.Целью данной работы является определения алгоритмов машинного обучения. В связи с этим в работе поставлены следующие основные задачи:- охарактеризовать сущность машинного обучения;- рассмотреть методы и алгоритмы машинного обучения.1. Сущность машинного обученияМашинное обучение представляет собой широкую дисциплину, которая также включается в науку о данных. В контексте машинного обучения можно исследовать, как системы обучаются на основе данных. Системы можно обучать с помощью сведений для принятия решений, а обучение представляет собой постоянный процесс, в котором система константно поддерживает процесс обучения и совершенствует свою способность принимать решения со значительным объемом данных.Машинное обучение является одной из форм употребления компьютерных технологий для уразумения человеческого интеллекта (искусственного интеллекта), которая разрешает компьютеру учиться без необходимости прямого программирования. Термин «машинное обучение» нередко употребляется вместо «искусственного интеллекта», поскольку именно его метод оказал максимальное воздействие на формирование данной области информационных технологий.[5, с. 106]Вместо написания алгоритмов и правил, которые занимаются принятием решений напрямую, или попыток запрограммировать компьютер для осуществления задач с употреблением наборов правил, исключений и фильтров, машинное обучение обучает компьютерные системы принимать решения, осваивая большие наборы цифр. Машинное обучение может формировать модели, которые доставляют и обобщают закономерности в данных, которые применяются для такого обучения, и применить данные модели для истолкования и анализа новейших сведений.В научной литературе имеются разнообразные определения машинного обучения. Один из них звучит так: «Сфера машинного обучения стремится ответить на вопрос «как мы можем построить компьютерные системы, которые автоматически улучшаются с опытом, и каковы фундаментальные законы, управляющие всеми процессами обучения?».[3]Такое понятие как «нейронная сеть» близко объединено с машинным обучением. Нейронная сеть представляет собой определенную трактовку человеческого мозга, в котором, в свою очередь, располагаются миллионы нейронов, которые представляют сведения в виде электрических импульсов.В свою очередь, важнейшая идея машинного обучения состоит в том, что, имея обучающую программу и примеры сведений с закономерностями, строит отдельную модель закономерностей и находит закономерности в новых сведениях.Машинное обучение занимается тем, то он вместо определенных команд для реализации задачи разрешает компьютеру автономно разрабатывать шаги для решения, употребляя сведения для самообучения. Таким образом, чем больше сведений получает доступ к компьютеру, тем результативнее он обучается и тем «умнее» делается, со временем совершенствуя свою точность и производительность.По классификации машинное обучение различается на два типа:- с учителем, который представляет собой один из разделов машинного обучения, отданный решению следующей задачи. В мире существует различное множество объектов (обстановок) и вероятных ответов (откликов). Между ответами и объектами существует, конечно, связи, которая не известна. Знают только последнее множество вариантов использования - пары «объект - ответ», именуемые обучающей выборкой. И таким образом, на базе данных сведений нужно восстановить зависимость, то есть построить алгоритм, который может дать достаточно точный ответ для любого объекта. Для измерения точности ответов установленным образом внедряется функционал качества. Под учителем подразумевается или сама обучающая выборка, или тот, кто указывал верные ответы на заданные объекты.- без учителя. В этой обстановке все немного увлекательнее, поэтому есть только сведения. Характеристики данных сведений должны быть обусловлены самой программой. А после делаются прогнозы. Грубо говоря, искусственный интеллект в предоставленном варианте выступает как ребенок, которому нужно привыкнуть к миру, набравшись опыта.К положительным сторонам машинного обучения можно включить:- адаптация к переменам - нейронные сети константно обновляются и могут адаптироваться к видоизменяющейся среде;- отказоустойчивость - нейронные сети исполняют свои функции даже при крупных повреждениях искусственного интеллекта;- сверхвысокая производительность - нейронная сеть разрешает задачи быстрее, чем большее число иных алгоритмов;- стабильность к шуму входных сведений - нейронные сети могут нормально работать, даже если входные данные зашумлены.Таким образом, машинное обучение очень известно из-за своей пользы и дальнейшего формирования, которое может повергнуть человечество к новейшим открытиям, а также к более возвышенному и лучшему уровню жизни. Нейронная сеть все больше замещает человеческий интеллект, и кто знает, что будет через десять лет, вероятно, искусственный интеллект будет исполнять ту работу, которую раньше исполнял и только умел делать человек. Принесет ли это полезность обществу, или также будет иметь отрицательные результаты, покажет только время, а пока известно, что будущее поведет искусственный интеллект.2. Методы и алгоритмы машинного обученияОбучение под наблюдением применяет методы классификации и регрессии для разработки прогностических моделей.Методы классификации предрекают дискретные ответы - к примеру, считается ли электронное письмо подлинным или спамом, или опухоль злокачественный или доброкачественный. Модели классификации сгруппируют входные сведения по категориям.Общие алгоритмы для осуществления классификации содержат деревья решений, метод k-ближайших соседей, векторную машину поддержки, дискриминантный анализ, наивный байесовский классификатор, логическую регрессию и нейронные сети.Так, например, метод k-ближайших соседей функционирует путем розыска кратчайшего пути между тестируемым объектом и ближайшими к нему систематизируемыми объектами из обучающей выборки.[2] Систематизируемый объект будет принадлежать к тому классу, к которому относится ближайший объект множества.Классификатор дерева решений разделяет сведения на все более мелкие подмножества на базе разнообразных критериев, т. е. любое подмножество имеет свою личную категорию сортировки. С любым делением число объектов обусловленного критерия снижается. Систематизация завершится, когда сеть достигнет подмножества только с одним объектом. Если соединить несколько похожих деревьев решений, получится так именуемый случайный лес.Наивный байесовский классификатор находит вероятность принадлежности объекта некоторому классу. В данном случае данная вероятность находится из вероятности того, что некоторое событие случится, исходя из уже случившихся событий. Любой параметр систематизируемого объекта считается независимым от иных параметров.Линейный дискриминантный анализ функционирует с помощью снижения размерности набора сведений путем проецирования всех точек данных на линию. Затем он объединяет данные точки в классы в зависимости от их удаленности от главной точки. Данный метод, как может быть уже известно, причисляется к алгоритмам линейной классификации, то есть неплохо годится для сведений с линейной зависимостью.Методы регрессии предвещают непрерывные реакции - так, к примеру, изменения температуры погоды или колебания спроса на ЖКХ. Обычно они используются для прогнозирования нагрузки сетей и алгоритмической торговле.Общие алгоритмы регрессии могут содержать регуляризацию, линейную модель, нелинейную модель, деревья решений, пошаговую регрессию, нейронные сети и адаптивную сеть, сформированную на системе нечеткого заключения.Например, линейная регрессия представляет собой регрессионную модель, то есть она будет получать функции и предвещать постоянный итог, например: оплату труда, цену акций и т. д. Линейная регрессия, как следует из наименования, отыскивает решение для линейной кривой для любой проблема.Нелинейная регрессия представляет собой тип регрессионного анализа, в котором экспериментальные сведения моделируются функцией, представляющей собой нелинейную комбинацию параметров модели и имеющей зависимость от одной или нескольких независимых переменных. Сведения аппроксимированы методом последовательных приближений.Дерево решений представляет собой древовидный алгоритм, употребляемый для решения задач регрессии и систематизации. Создается перевернутое дерево, которое с одинаковой вероятностью разветвляется от корневого узла к сильно разнородным листовым узлам для приобретения выходных данных. Деревья регрессии можно применять для зависимой переменной с непрерывными значениями, а деревья систематизации, в свою очередь, применяются для зависимой переменной с дискретными значениями.Неконтролируемое обучение отыскивает в сведениях скрытые закономерности или внутренние структуры. Машинное обучение можно применять для получения выводов из наборов сведений, заключающихся из неопределенных входных сведений.Кластеризация считается наиболее известным методом обучения без учителя. Его применяют для исследовательского анализа сведений, чтобы найти скрытые закономерности или группы в сведениях.[4]Общие алгоритмы для реализации кластеризации охватывают метод иерархическую кластеризацию, k-средних, гауссовскую смесь распределений, самоорганизующиеся карты, скрытые марковские модели, метод нечеткой кластеризации C-средних и вычитающую кластеризацию.Например, метод K-средних представляет собой метод кластерного анализа, цель которого - разделить m наблюдений на k кластеров, причем любое наблюдение причисляется к этому кластеру, к центроиду, к которому оно ближе всего.[1, с. 45]Гауссовская смесь распределений представляет собой статистическую модель для показа нормально распределенных подгрупп населения в общей совокупности. Гауссовская смесь распределений параметризуется двумя видами значений - смесью весов элементов и средних элементов или ковариаций (для многомерного случая). Если есть число элементов, то для оценки параметров смеси распределений чаще всего используется алгоритм EM.Ансамбль моделей представляет собой комбинацию многих моделей машинного обучения. Имеется великое множество методов объединения моделей для образования наилучших моделей. Но разные модели не всегда нужны при решении одной конкретной задачи. Вместо этого вы можете откалибровать одну и ту же модель для разнообразных подмножеств обучающих сведений, показав несколько сходных, но разнообразных моделей. Любая из данных моделей после применяется для вневыборочной систематизации, и решение принимается с помощью выбора наиболее результативных моделей. Данный метод более знаком как бэггинг. Одним из самых известных примеров алгоритмов бэггинга можно считать модель случайного леса.В ином методе - бустинге, оптимизированная функция утрат не взвешивает все примеры в наборе обучающих сведений одинаково. После одного прохода калибровки обучающие примеры взвешиваются таким образом, что варианты, когда алгоритм машинного обучения мог допустить промахи (как в задаче систематизации), принимали более высокий вес в функции утрат. Замечая данные наблюдения, алгоритм учится отводить данные ошибки, так как они более значительны.Иной подход к ансамблю методов называется стакингом, где модели связываются друг с другом в цепочку, так что выходные сведения низкоуровневых моделей делаются входными сведениями иной высокоуровневой модели. Тут модели могут быть интегрированы вертикально, в отличие от бэгинга, где модели интегрируются лишь горизонтально.Таким образом, наука о сведениях заключается из прогнозов и предсказаний. Но между ними всегда существует отличие. Статистик-экономист Пол Саффо допускал, что прогнозы обращены на установление одного итога, тогда как прогнозы захватывают ряд итогов. Например, если сказать «завтра будет дождь», значит составить прогноз, но если произнести, что «вероятность дождя составляет 40 %» (подразумевается, что вероятность отсутствия дождя равна 60 %), означает сделать прогноз, потому что он устанавливает диапазон вероятных исходов с вероятностями. Делаются прогнозы погоды, а не предсказания. Прогнозы представляют собой утверждения с большой мерой уверенности, тогда как прогнозы иллюстрируют диапазон неопределенности.

Заключение

Таким образом, машинное обучение очень известно из-за своей пользы и дальнейшего формирования, которое может повергнуть человечество к новейшим открытиям, а также к более возвышенному и лучшему уровню жизни. Нейронная сеть все больше замещает человеческий интеллект, и кто знает, что будет через десять лет, вероятно, искусственный интеллект будет исполнять ту работу, которую раньше исполнял и только умел делать человек. Машинное обучение представляет собой класс методов автоматического формирования прогнозных моделей на базе сведений. Алгоритмы машинного обучения обращают набор сведений в модель. Какой алгоритм лучше всего функционирует (контролируемый, неконтролируемый, классификация, регрессия и т. д.), имеет зависимость от вида решаемой задачи, доступных вычислительных ресурсов и характера сведений.Общие алгоритмы для осуществления классификации содержат деревья решений, метод k-ближайших соседей, векторную машину поддержки, дискриминантный анализ, наивный байесовский классификатор, логическую регрессию и нейронные сети.Общие алгоритмы регрессии могут содержать регуляризацию, линейную модель, нелинейную модель, деревья решений, пошаговую регрессию, нейронные сети и адаптивную сеть, сформированную на системе нечеткого заключения.Алгоритмы машинного обучения представляют собой часть мозаики машинного обучения. В дополнение к выбору алгоритма (вручную или автоматически) необходимо будет иметь дело с оптимизаторами, очисткой данных, выбором функций, нормализацией и (необязательно) настройкой гиперпараметров.

Список использованных источников
Лимановская О. В. Основы машинного обучения : учебное пособие / О. В. Лимановская, Т. И. Алферьева ; Мин-во науки и высш. образования РФ. -Екатеринбург : Изд-во Урал. ун-та, 2020 - 88 с.Сейдаметова З.С. Алгоритмы машинного и глубокого обучений // Журнал «Информационно-компьютерные технологии в экономике, образовании и социальной сфере».- 2019.- №4(26).- с. 5-13Стефанова Н.А., Трофимец А.С. Сущность машинного обучения, его перспективы и развитие // Журнал «Актуальные вопросы современной экономики».- 2019.- №3-1.- с. 48-52Топалович Н. Алгоритмы кластеризации в машинном обучении // Молодой ученый. - 2020. - № 52 (342). - С. 47-49. Цифровая экономика: Учебник / Авторы-составители:  Л.  А.  Каргина,  С.  Л.  Лебедева [и др.]; под ред. Л. А. Каргиной. - М.: Прометей, 2020. - 220 с.