ИИ. Как машины «учатся»? Введение в Machine Learning.
Машинное обучение (англ. machine learning) — область искусственного интеллекта, которая позволяет компьютерным системам обучаться на основе данных и находить закономерности, чтобы выполнять задачи и делать прогнозы без явного программирования
Чтобы машина могла принимать решения, необходимы:
- Алгоритм — специальная программа, которая говорит компьютеру, что делать и откуда брать данные. Например, мы можем написать программу, которая сортирует пиццу: «Маргарита», с грибами, с колбасой.
- Набор данных — примеры, на которых машина тренируется. Это могут быть картинки, видео, текст — что угодно. В нашем случае понадобятся тысячи фотографий различных пицц. Чем больше примеров, тем богаче опыт, — совсем как у людей.
- Признаки — на что компьютеру смотреть при принятии решения? Если мы занимаемся машинным обучением с учителем, то вручную выделяем грибочки и кусочки колбасы. При обучении без учителя — сливаем все данные в программу и даём компьютеру самому разобраться, где что, а при необходимости корректируем.
В отличие от традиционного программирования, где мы пишем конкретные инструкции (правила) для решения задачи, в машинном обучении мы:
- Подаем на вход компьютеру данные (например, фотографии кошек и собак).
- «Показываем» правильные ответы (размечаем, где на фото кошка, а где собака — это называется «обучение с учителем»).
- Алгоритм сам находит в этих данных закономерности и паттерны (например, что у кошек обычно более острые уши, а у собак — более вытянутая морда).
- После обучения мы можем дать алгоритму новую, незнакомую фотографию, и он предскажет, кто на ней изображен.
Простая аналогия: Ребенок не рождается со знанием, что такое «кошка». Он видит несколько разных кошек (данные), родители говорят ему «это кошка» (разметка), и постепенно мозг ребенка учится выделять общие признаки и распознавать новых кошек, которых он раньше не видел.
Основные типы (категории) машинного обучения
Обучение с учителем (Supervised Learning)
· Суть: У нас есть данные и правильные ответы (разметка, labels). Алгоритм учится на примерах «входные данные → правильный выход».
· Задачи:
· Классификация: Отнесение объекта к определенному классу. (Спам / не спам; кошка / собака; цифра 0-9).
· Регрессия: Предсказание непрерывного числового значения. (Предсказание цены дома, температуры на завтра, спроса на товар).
Обучение без учителя (Unsupervised Learning)
· Суть: У нас есть только данные без готовых ответов. Алгоритм сам ищет скрытые структуры и закономерности.
· Задачи:
· Кластеризация: Автоматическое группирование объектов по схожести. (Сегментация клиентов, анализ генов).
· Понижение размерности: Упрощение данных без потери важной информации. Удобно для визуализации.
Обучение с подкреплением (Reinforcement Learning)
· Суть: Алгоритм (агент) учится, взаимодействуя со средой. Он получает «вознаграждение» за правильные действия и «штраф» за ошибки. Его цель — максимизировать совокупное вознаграждение.
· Примеры: Игры (AlphaGo, AlphaStar), управление роботами, беспилотные автомобили.
Язык программирования Python
Среда IDLE
Меню ->File -> New File
Меню -> Run - Run module
* При подготовке этого материала об искусственном интеллекте использовался искусственный интеллект