Сафронов И.Д.
ТЕОРЕТИЧЕСКИЕ ОСНОВЫ В МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ *
Аннотация:
в данной работе представлены основы машинного обучения на компьютерных программах и алгоритмах, которые самостоятельно обучаются адаптироваться и расти при подаче новых данных. С помощью машинного обучения программисту не нужно писать инструкции, в которых содержатся все решения, а также возможные проблемы. Взамен в отдельную программу/компьютер вкладываются алгоритмы поиска решений, использующие данные статистики. Из этих данных программа выводит закономерности и может сделать прогнозы
Ключевые слова:
машинное обучение, компьютер, алгоритмы, программы
УДК 004
Сафронов И.Д.
студент 1 курса
Российский экономический университет имени Г. В. Плеханова
(г. Москва, Россия)
ТЕОРЕТИЧЕСКИЕ ОСНОВЫ В МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ
Аннотация: в данной работе представлены основы машинного обучения на компьютерных программах и алгоритмах, которые самостоятельно обучаются адаптироваться и расти при подаче новых данных. С помощью машинного обучения программисту не нужно писать инструкции, в которых содержатся все решения, а также возможные проблемы. Взамен в отдельную программу/компьютер вкладываются алгоритмы поиска решений, использующие данные статистики. Из этих данных программа выводит закономерности и может сделать прогнозы.
Ключевые слова: машинное обучение, компьютер, алгоритмы, программы.
В современном мире, где количество информации постоянно растёт, машинное обучение невероятно актуально. Оно позволяет машине самостоятельно выполнять различные задачи, составлять прогнозы без участия человека. Это сокращает время, уменьшает количество ошибок. С помощью машинного обучения возможно определять тенденции и закономерности, обрабатывать большие объемы данных. С течением времени результаты становятся более точными.
С 1950 года используя технологии машинного обучения с помощью анализа данных начали разработку первых алгоритмов и программ для игр в шашки. С течением времени мощности компьютеров и способности прогнозов сильно усложнились.
Для запуска процесса машинного обучения нужно загрузить в компьютер какое-либо количество исходных данных (Датасет). С их помощью алгоритм сможет начать обучение по обработке запросов. К примеру, можно загрузить фотографии женщин и мужчин, на которых уже присутствуют метки, которые обозначают, кто относится к какой фотографии.
После обучения программа самостоятельно способна распознавать женщин и мужчин на изображениях из новых источников, без наличия меток. Чем дольше проходит процесс обучения (анализирования информации), тем точнее программа способна распознавать фотографии и дать прогноз.
Существует два вида машинного обучения: с учителем и без учителя.
Для обучения с учителем необходимо разместить набор информации/данных для обучения и тренировки модели на различных этапах. Наличие данных означает, что каждому объекту в наборе для обучения соответствует определённый ответ, его должен получить алгоритм с помощью этого набора данных.
Датсет из фотографий сможет обучать нейронную сеть. Если сеть получит новое изображение, она сможет сравнить его с примерами из обучающего датсета, для того чтобы сделать прогноз. Данный вид обучения в основном используются для решения таких задач, как классификация и регрессия.
Рис. 1. Пример обучения с учителем — классификация (слева), и дальнейшее ее использование для сегментации и распознавания объектов
Например, перед человеком стоит задача разработать модель, которая бы предсказывала стоимость квартиры на рынке зависимости от её параметров. Имеются сведения о расположении, площади, расстоянии от метро и ценах. Программе необходимо решить задачу регрессии, этот пример демонстрирует машинное обучение с учителем
Сложно получить идеально размеченные данные. Иногда требуется использовать алгоритм для нахождения заранее неизвестных ответов. В данном случае используется обучение без привлечения учителя.
Рис. 2. Кластеризация данных на основе общих признаков
Модель систематизирует данные в зависимости от поставленной задачи: кластеризация, выявление аномалий, ассоциации.
Например, существует информация о росте и весе определённого количества людей. Программе нужно разделить их по группам, для которых нужно пошить рубашки по соответствующем размерам. Этот пример демонстрирует машинное обучение без учителя с такой задачей, как кластеризация.
С помощью алгоритмов машинного обучения возможно составление прогнозов и аналитика данных. Я считаю, что будущее машинного обучения – развитие и охват все большего количества сфер экономики. По моему мнению, в перспективе обученные машины будут выполнять основную работу, а человек контролировать её выполнение.
СПИСОК ЛИТЕРАТУРЫ:
Номер журнала Вестник науки №6 (63) том 1
Ссылка для цитирования:
Сафронов И.Д. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ В МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ // Вестник науки №6 (63) том 1. С. 1050 - 1053. 2023 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/8714 (дата обращения: 19.05.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2023. 16+