Машинное обучение для интеллектуализации ваших приложений
Download as PPTX, PDF10 likes75,298 views
Документ освещает основы машинного обучения, включая его виды, такие как регрессия, классификация и кластеризация, а также различные алгоритмы, используемые в этих методах. Основное внимание сосредоточено на важности качества данных и алгоритмов, предлагая десять правил для успешного применения машинного обучения. Также рассматриваются практические библиотеки и инструменты, применяемые в этой области.
Машинное обучение для интеллектуализации ваших приложений
- 1. Машинное обучение для интеллектуализации ваших приложений ZZ Photo Артем Чернодуб
- 2. Искусственный интеллект 1997 2001 2029 2035 Источники: • к/ф «Космическая одиссея 2001 года», 1968, реж. С. Кубрик • к/ф «Терминатор», 1984, реж. Д. Кэмерон • к/ф «Я, робот», 2004, реж. А. Пройас 2 / 40
- 4. Машинное обучение • синтез алгоритмов из представленных данных, «обучающей выборки» • эффективность работы синтезированного алгоритма как главная мера качества • круг задач искусственного интеллекта • математика как базовая научная дисциплина (теория вероятности, случайные процессы, математическая статистика) 4 / 40
- 5. Виды машинного обучения • регрессия (regression) • классификация (classification) • кластеризация (clusterization) • обучение с подкреплением (reinforcement learning) • эволюционные алгоритмы (evolutionary algorithms) 5 / 40
- 6. Регрессия – данные x y 0.00 0.00 0.10 0.59 0.20 0.95 0.30 0.95 0.40 0.59 0.50 0.00 0.60 -0.59 0.70 -0.59 0.80 -0.95 0.90 1.00 6 / 40
- 7. Регрессия – решения 7 / 40
- 8. Классификация – ирисы Фишера Iris versicolorIris setosa Iris virginica 8 / 40
- 9. Классификация – данные Длина чашелистника Ширина чашелистника Длина лепестка Ширина лепестка Вид ириса 4.3 3.0 1.1 0.1 setosa 4.4 2.9 1.4 0.2 setosa 4.4 3.0 1.3 0.2 setosa … 4.9 2.5 4.5 1.7 virginica 5.6 2.8 4.9 2.0 virginica … 5.0 2.0 3.5 1.0 versicolor 5.1 2.5 3.3 1.1 versicolor 9 / 40
- 10. Классификация – решение 10 / 40
- 11. Кластеризация число классов заранее неизвестно 11 / 40
- 12. Кластеризация – решения 12 / 40
- 13. Распознавание текста 13 / 40
- 14. Распознавание лиц 14 / 40
- 15. Детекция морд котов 15 / 40
- 16. Дополненная реальность 16 / 40
- 17. Распознавание звука • распознавание звуковых команд • распознавание музыкальных жанров • распознавание названий песен • синтез новой музыки 17 / 40
- 18. Обработка естественных текстов • системы машинного перевода • рекомендательные системы он-лайн магазинов • таргетирование рекламы в поисковых системах • распознавание спама 18 / 40
- 19. Биометрическая аутентификация Разрешение доступа по: • отпечаткам пальцев • радужной оболочке глаза • клавиатурному почерку • тембру голоса • рукописному почерку • геометрии руки 19 / 40
- 20. и т.д. 20 / 40
- 21. Мы живем в мире Big Data Данные для компьютеров: • в 2006 году было создано и сохранено 160 эксабайт (160х1018) информации • в 2010 году было создано и сохранено 1 зетабайт (1021) информации Пример: рост количества цифровых фото 21 / 40
- 22. Алгоритмы регрессии • Линейная регрессия (Linear Regression) • Многослойные персептроны (Multilayer Perceptron) • RBF-нейросети (Radial Basis Function Networks) • Машины опорных векторов для регресии (Support Vector Regression, SVR) 22 / 40
- 23. Алгоритмы классификации • k ближайших соседей (k-Nearest Neighbours) • Нейронные сети (Neural Networks = MLP & RBF) • Машины опорных векторов (Support Vector Machines) • Деревья решений (бустинг) 23 / 40
- 24. Алгоритмы кластеризации • k средних (k-Means) • Иерархическая кластеризация (Hierarhical Clustering) • Самоорганизующиеся карты Кохонена (Self- Organizing Maps) • Гауссовские смешанные модели (Gaussian Mixture Models) 24 / 40
- 25. Некоторые алгоритмы для предобработки данных • общие, проблемно-независимые – PCA, LDA, Kernel PCA • для изображений – SIFT, SURF, CHoG, Zernike Moments, Wavelets • для звука – DFT, FFT, Mel cepstra, Wavelets • для текста – ITF-DF, N-grams 25 / 40
- 26. Некоторые прикладные пакеты для машинного обучения • OpenCV – библиотека средств машинного зрения. • PythonXY – пакет «все-в-1» популярных методов машинного обучения. • LibSVM – надежная кросс-платфроменная. библиотека машин опорных векторов. • NetLab – библиотека «обычных» нейронных сетей. • Theano – библиотека глубоких нейронных сетей. 26 / 40
- 27. Тезис Машинное обучение – это технология, требующая специального подхода. 27 / 40
- 28. Правило № 1 Если есть возможность не использовать машинное обучение – не используйте его. 28 / 40
- 29. Правило № 2 Не изобретайте велосипед. 29 / 40
- 30. Правило № 3 Тестируйте качество вашего алгоритма на опубликованных бенчмарках. 30 / 40
- 31. Правило № 4 Данные для обучения должны быть репрезентативными. 31 / 40
- 32. Правило № 5 Делите выборку на Train, Test и Validation. Train Test Validation 32 / 40
- 33. Правило № 6 Сложность выбранной эмпирической модели должна быть адекватна сложности задачи. 33 / 40
- 34. Правило № 7 Применяйте регуляризацию. 34 / 40
- 35. Правило № 8 • нормируйте данные; • центрируйте данные; • в случае классификации, перемешивайте выборку. 35 / 40
- 36. Правило № 9 Не нужно дообучать синтезированные эмпирические модели в режиме реального времени. 36 / 40
- 37. Правило № 10 Обучайте модели в MATLAB, Python и подобных дружественных средах. 37 / 40
- 38. Литература 1. С. Осовский. Нейронные сети для обработки информации – пер. с польского. М.: Финансы и статистика, 2002. – 344с. 2. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006 – 738 p. 3. С. Хайкин. Нейронные сети: полный курс. Вильямс, 2006. 38 / 40
- 39. Машинное обучение: перенос ответственности за работу алгоритма с программиста на данные 39 / 40
- 40. … однажды.