Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Machine

700 views

Published on

Доклад Столяревской А.Л.

  • Be the first to comment

  • Be the first to like this

Machine

  1. 1. О ДИСТАНЦИОННОМ КУРСЕПО МАШИННОМУ ОБУЧЕНИЮ Столяревская А.Л. Международный Соломонов университет, Восточноукраинский филиал, г. Харьков, Украина 1
  2. 2. Постановка проблемыПри обучении дисциплине искусственный интеллект основной трудностью является подбор тем из очень большого количества направлений и подобластей искусственного интеллекта.Одной из обязательных тем является машинное обучение. 2
  3. 3. Машинное обучение как самостоятельная дисциплина Машинное обучение как самостоятельная дисциплина появилась из работ в области искусственного интеллекта, что дало новые возможности для обработки баз данных и больших наборов данных с ростом автоматизации Веб, приложений в области обработки естественного языка, приложений в области компьютерного зрения, а также понимания самого процесса обучения человека. 3
  4. 4. Машинное обучениеМашинное обучение (Machine Learning) - обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться.Машинное обучение находится на стыке математической статистики, методов оптимизации и дискретной математики, но имеет также и собственную специфику, связанную с проблемами вычислительной эффективности и переобучения.Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам.Многие методы тесно связаны с извлечением информации, интеллектуальным анализом данных. 4
  5. 5. Дистанционный курс Machine LearningПоддержкой курса по искусственному интеллекту могут являться материалы дистанционного курса Стенфордского университета по машинному обучению, который сориентирован на многочисленные приложения. 5
  6. 6. 6
  7. 7. Курс Machine Learning. Приглашение 7
  8. 8. Два типа обучения Различают два типа обучения.Обучение по прецедентам, или индуктивное обучение, основано на выявлении закономерностей в эмпирических 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. 8
  9. 9. Задачи курсаКлассическими задачами, решаемыми с помощью машинного обучения, считаются: классификация, кластеризация, регрессия, понижение размерности данных и их визуализация. Основные понятия и обозначения Данные в задачах обучения по прецедентам Модели алгоритмов и методы обучения Функционалы качества Обобщающая способность и переобучение Примеры прикладных задач Задачи классификации Задачи регрессии Задачи кластеризации Задачи ранжирования 9
  10. 10. Задача обучения по прецедентам 10
  11. 11. Объекты и признаки 11
  12. 12. Ответы и типы задач 12
  13. 13. Модель алгоритмов 13
  14. 14. Метод обучения 14
  15. 15. Функционалы качества 15
  16. 16. Сведение задачи обучения к задаче оптимизации 16
  17. 17. Примеры прикладных задачПримеры прикладных задач: Регрессия – выполнить прогноз стоимости жилой недвижимости; Классификация - предсказать по результатам двух тестов, пройдут ли микрочипы контроль качества. 17
  18. 18. Линейная и множественная регрессии 18
  19. 19. Оценка значимости коэффициентов регрессии• Имеется возможность оценить значимость коэффициентов регрессии, а также построить доверительный интервал для коэффициентов регрессии.• Проверить значимость коэффициентов регрессии – значит установить, достаточна ли величина оценки для статистически обоснованного вывода о том, что коэффициент регрессии отличен от нуля. 19
  20. 20. Логистическая регрессия 20
  21. 21. Точность классификации 21
  22. 22. Классификация спамаМногие почтовые службы обеспечивают сегодня спам-фильтры, которые могут классифицировать сообщения как спам или не-спам с высокой точностью. Свой собственный фильтр спама можно построить, используя метод опорных векторов.При этом следует обучить классификатор определять, является ли данная электронная почта спамом (у = 1) или не-спамом (у = 0).Каждое испытуемое письмо необходимо преобразовать в функцию вектора х ∈ Rn.Образец спама представлен на рисунке: 22
  23. 23. Предобработка 23
  24. 24. Извлечение свойств из сообщения электронной почтыВ частности, свойство хi∈{0; 1} для электронной почты соответствует следующему: хi = 1, если i-е слово есть в электронной почте, и хi = 0, если i-го слова нет в электронной почте.Для обучения классификатора специальный файл spamTrain.mat содержал 4000 обучающих примеров спама и не спама, а файл spamTest.mat содержал 1000 тестовых примеров. 24
  25. 25. Пример предобработки 25
  26. 26. Результат работы классификатора 26
  27. 27. Вход в курс Machine Learning 27
  28. 28. Краткое описание курса• Первый открытый курс продолжительностью 10 недель проходил осенью 2011 года.• Учебный материал состоял из 16 лекций, 18 тестов, 8 упражнений по программированию.• Упражнения по программированию в среде математического пакета Octave были отличным дополнением к лекциям и тестам. 28
  29. 29. Инструктором курса является Эндрю Нг, один из создателей робота STAIR 29
  30. 30. Stanford Artificial Intelligence Robot 30
  31. 31. Обучение робота 31
  32. 32. Обучение - это изменение в системе… 32
  33. 33. Другие ссылки:http://www.youtube.com /watch?v=vgEFC8Eb6i4&feature=player_embedded#!http://www.youtube.com /watch?v=_migLQ802Go&feature=player_embedded#! 33
  34. 34. Спасибо за внимание 34

×