Роль машиного обучения в искусственном интеллекте план

РОЛЬ МАШИНОГО ОБУЧЕНИЯ В ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ
ПЛАН:

1. 
   Краткая история и большие надежды
   
2. 
   Методы машинного обучения
   
3. 
   Контролируемое обучение
   
4. 
   Неконтролируемое обучение
   

Краткая история и большие надежды

Первую программу на основе алгоритмов, способных самообучаться, разработал Артур Самуэль (Arthur Samuel) в 1952 году, предназначена она была для игры в шашки. Самуэль дал и первое определение термину «машинное обучение»: это «область исследований разработки машин, не являющихся заранее запрограммированными». Более точное определение термину «обучение» дал намного позже Т. М. Митчелл: говорят, что компьютерная программа обучается на основе опыта E по отношению к некоторому классу задач T и меры качества P, если качество решения задач из T, измеренное на основе P, улучшается с приобретением опыта E.3
Уже в 1957 году была предложена первая модель нейронной сети, реализующая алгоритмы машинного обучения, похожие на современные. В настоящее время ведется разработка самых разных систем машинного обучения, предназначенных для использования в таких технологиях будущего, как Интернет Вещей, Промышленный Интернет Вещей, в концепции «умный» город, при создании беспилотного транспорта и во многих других.
О том, что на машинное обучение сейчас возлагают большие надежды, говорят следующие факты.
В компании Google считают, что скоро ее продукты «перестанут быть результатом традиционного программирования — в их основу будет положено машинное обучение»;
Компании Google, Facebook, Apple, Amazon, Microsoft и китайская фирма Baidu вступили в борьбу за талантливых специалистов в сфере искусственного интеллекта;
Марк Цукерберг, генеральный директор Facebook, лично — по телефону и по видеочату — участвует в попытках его компании переманить лучших выпускников;
Посещаемость на самых важных академических конференциях в этой сфере увеличилась почти в четыре раза;
Такие новые продукты, как Siri от Apple, M от Facebook, Echo от Amazon были созданы с помощью машинного обучения.4
Методы машинного обучения
В самом общем случае различают два типа машинного обучения: обучение по прецедентам, или индуктивное обучение, и дедуктивное обучение. Поскольку последнее принято относить к области экспертных систем, то термины «машинное обучение» и «обучение по прецедентам» можно считать синонимами. Этот метод обучения сейчас, как принято говорить, в тренде, а вот экспертные системы переживают кризис. Лежащие в их основе базы знаний трудно согласовывать с реляционной моделью данных, поэтому промышленные СУБД невозможно эффективно использовать для наполнения баз знаний экспертных систем.
Обучение по прецедентам, в свою очередь, подразделяют на три основных типа: контролируемое обучение, или обучение с учителем (supervised learning), неконтролируемое обучение (unsupervised learning), или обучение без учителя, и обучение с подкреплением (reinforcement learning).5
Помимо названных, разрабатываются и другие методы обучения: активное, многозадачное, многовариантное, трансферное и т.д. Особенно успешно развивается в последние годы «глубокое обучение», при использовании которого могут успешно сочетаться алгоритмы обучения с учителем и без учителя.
Контролируемое обучение
Этот метод обучения применяется в случаях, когда имеются большие объемы данных, допустим – тысячи фотографий домашних животных с маркерами (метками, ярлыками): это кошка, а это собака. Необходимо создать алгоритм, с помощью которого машина могла бы по фотографии, которую «не видела» раньше, определить, кто на ней изображен: кошка или собака. В роли «учителя» в данном случае выступает человек, заранее проставивший маркеры. Машина сама выбирает признаки, по которым она отличает кошек от собак. Поэтому в дальнейшем найденный ею алгоритм может быть быстро перенастроен на решение другой задачи, например, на распознавание кур и уток. Машина опять-таки сама выполнит сложную и кропотливую работу по выделению признаков, по которым будет различать этих птиц. А нейросеть, которую обучили распознавать кошек, можно быстро научить обрабатывать результаты компьютерной томографии.
Неконтролируемое обучение
Хотя маркированных, размеченных данных накопилось уже довольно много, данных без маркеров (меток) все же гораздо больше. Это изображения без подписей, аудиозаписи без комментариев, тексты без аннотаций. Задача машины при неконтролируемом обучении – найти связи между отдельными данными, выявить закономерности, подобрать шаблоны, упорядочить данные или описать их структуру, выполнить классификацию данных. Неконтролируемое обучение используется, например, в рекомендательных системах, когда в интернет-магазине на основе анализа предыдущих покупок покупателю предлагаются товары, которые могут заинтересовать его с большей вероятностью, чем другие. Или когда на после просмотра какого-то видеоклипа на портале YouTube посетителю предлагают десятки ссылок на ролики, чем-то похожие на просмотренный. Или когда Google в ответ на один и тот же запрос ранжирует ссылки в результатах поиска для одного пользователя иначе, чем для другого, поскольку учитывает историю поисков.
Обучение с подкреплением
Такое обучение является частным случаем контролируемого обучения, но учителем в данном случае является «среда». Машина (ее в этой ситуации часто называют «агент») не имеет предварительной информации о среде, но имеет возможность производить в ней какие-либо действия. Среда реагирует на эти действия и тем самым предоставляет агенту данные, которые позволяют ему реагировать на них и учиться. Фактически агент и среда образуют систему с обратной связью.
Обучение с подкреплением используется для решения более сложных задач, чем обучение с учителем и без учителя. Оно используется, например, в системах навигации для роботов, которые учатся избегать столкновений с препятствиями опытным путем, получая обратную связь при каждом столкновении. Обучение с подкреплением используется также в логистике, при составлении графиков и планировании задач, при обучении машины логическим играм (покер, нарды, го и др.).
Нейронные сети и глубокое обучение
Для машинного обучения используют различные технологии и алгоритмы. В частности, могут применяться дискриминантный анализ, байесовские классификаторы и многие другие математические методы. Но в конце XX века все больше внимания начали уделять искусственным нейронным сетям (ИНС). Очередной взрыв интереса к ним начался в 1986 г., после существенного развития т.н. «метода обратного распространения ошибки», который с успехом применили к обучению нейронной сети.
ИНС представляет собой систему соединённых и взаимодействующих между собой искусственных нейронов, выполненных на основе сравнительно простых процессоров. Каждый процессор ИНС периодически получает сигналы от одних процессоров (или от сенсоров, или от других источников сигналов) и периодически посылает сигналы другим процессорам. Все вместе эти простые процессоры, соединенные в сеть, способны решать довольно сложные задачи.
Чаще всего нейроны располагаются в сети по уровням (их еще называют слоями). Нейроны первого уровня – это, как правило, входные. Они получают данные извне (например, от сенсоров системы распознавания лиц) и после их обработки передают импульсы через синапсы нейронам на следующем уровне. Нейроны на втором уровне (его называют скрытым, поскольку он напрямую не связан ни со входом, ни с выходом ИНС) обрабатывают полученные импульсы и передают их нейронам на выходном уровне. Поскольку речь идет об имитации нейронов, то каждый процессор входного уровня связан с несколькими процессорами скрытого уровня, каждый из которых, в свою очередь, связан с несколькими процессорами уровня выходного. Такова архитектура самой простой ИНС, которая способна к обучению и может находить простые взаимосвязи в данных.
История развития искусственного интеллекта
Термин «искусственный интеллект» появился в 1956 году, но настоящей популярности технология ИИ достигла лишь сегодня на фоне увеличения объемов данных, усовершенствования алгоритмов, оптимизации вычислительных мощностей и средств хранения данных.
Первые исследования в области ИИ, стартовавшие в 50-х годах прошлого века, были направлены на решение проблем и разработку систем символьных вычислений. В 60-х годах это направление привлекло интерес Министерства обороны США: американские военные начали обучать компьютеры имитировать мыслительную деятельность человека. Например, Управление перспективных исследовательских проектов Министерства обороны США (DARPA) выполнило в 70-х годах ряд проектов по созданию виртуальных уличных карт. И специалистам DARPA удалось создать интеллектуальных личных помощников в 2003 году, задолго до того, как появились Siri, Alexa и Cortana.
Эти работы стали основой для принципов автоматизации и формальной логики рассуждений, которые используются в современных компьютерах, в частности, в системах для поддержки принятия решений и умных поисковых системах, призванных дополнять и приумножать возможности человека.
Хотя в научно-фантастических фильмах и романах ИИ зачастую изображают в виде человекоподобных роботов, захватывающих власть над миром, на данном этапе развития технологии ИИ совсем не такие страшные и далеко не такие умные. Напротив, развитие искусственного интеллекта позволяет этим технологиям приносить реальную пользу во всех отраслях экономики. Ниже описаны примеры использования технологий искусственного интеллекта в здравоохранении, розничной торговле и других областях.

Список использования источники:

1. 
   www.allbest.ru
   
2. 
   www.refer.ru
   
3. 
   www.google.com
   
4. 
   www.aim.ru