Машинное обучение

Добрый день, коллеги! меня зовут Носкова Алина и тема моего доклада - «Машинное обучение».  

Доклад будет из трех частей. Первая часть будет содержать общую информацию о машинном обучении. Во второй части я попытаю кратко рассказать о методах и алгоритмах. Третья часть будет содержать интересные факты, связанные с машинным обучением.

Я попытаюсь не занять много времени у вас. После моего доклада будет время для вопросов.

Итак, давайте начнем.

1. Машинное обучение считается этапом развития искусственного интеллекта. Основная идея машинного обучения заключается в том, чтобы компьютер не просто использовал написанный алгоритм, а сам обучился решению поставленной задачи.

Технологию машинного обучения можно условно отнести к одному из трех уровней доступности. Первый уровень — технология доступна только технологическим гигантам уровня Google или IBM. Второй уровень — технологию может использовать любой студент.

Третий уровень — технологию может использовать даже бабуля.

В данный момент машинное обучение находится на стыке второго и третьего уровней.

2. Теперь перейдем более подробно ко второй части моего доклада к «Методам и алгоритмам».

Большую часть задач машинного обучения можно разделить на обучение с учителем и обучение без учителя. Под «учителем» здесь понимается вмешательство человека в обработку данных. При обучении с учителем у нас есть данные, на основании которых нужно что-то предсказать, и некоторые гипотезы. При обучении без учителя у нас есть только данные, свойства которых мы и хотим найти. На примерах разницу вы увидите немного яснее. Остановимся более подробно на примере обучения с учителем, так как данный метод я планирую использовать в своей магистерской работе

Например, у нас есть данные о десяти тысяч квартирах в Москве, причём известны такие характеристики: площадь каждой квартиры, количество комнат, этаж, район, наличие парковки, расстояние до ближайшей станции метро, известна стоимость каждой квартиры и так далее.

Нам необходимо создать модель, которая на основе данных характеристик будет предсказывать стоимость квартиры. Это классический пример обучения с учителем, где у нас есть данные (десять тысяч квартир и различные параметры для каждой квартиры, называемые признаками) и отклики (стоимость квартиры). Такая задача называется задачей регрессии. Другие примеры: на основании различных медицинских показателей предсказать наличие у пациента рака. Или на основании текста электронного письма предсказать вероятность того, что это спам. Такие задачи являются задачами классификации. На этом моменте я хочу закончить вторую часть.

3. Эта часть доклада самая увлекательная. Приведём несколько интересных и не совсем очевидных примеров использования машинного обучения в реальной жизни.

Например, вторая предвыборная кампания Барака Обамы была фактически выиграна лучшей на тот момент командой в области анализа данных. Разумеется, речь не идет о том, что они советовали ему соврать о чем-то, работа строилась значительно более умным путем: они выбирали, в каком штате, перед какой аудиторией, в какой день и на какую тему он должен выступать. Причем каждый раз они замеряли, как это сказывается на опросах вида «За кого бы вы проголосовали, если бы выборы были в ближайшее воскресенье?». Другими словами, подобные решения принимали не политтехнологи, а исключительно специалисты по анализу данных. Особенно интересным это становится в свете того, что, по оценкам специалистов, это дало ему преимущество в 8-10%.