понеделник, март 30, 2020
Banner Top

С развитието и усъвърешнстването на smart устройствата, все по-често се акцентира над предимствата на машинното самообучение – machine learning или ML. Желаем нашето ново любимо устройство да е по-умно, да разпознава гласа ни, да вижда кога снимаме домашния си любимец или храна. А какво стои зад това?

Това са алгоритми, които устройствата използват за създадаването на математически модели по примерни данни, наречени „обучаващи данни“, за да прогнозират или да вземат решения, без да са изрично програмирани за това. Например за филтриране на електронна поща, за откриване на неправомерен достъп и други, където не могат да бъдат съставени алгоритми с конкретни инструкции.

Алгоритмите за машинно самообучение използват статистически данни, за да намерят модели в огромни количества данни. И тук под “данни” се имат предвид и числа, думи, изображения, кликвания… Всичко, което може да се съхранява цифрово, може да бъде и използвано в алгоритъм за машинно самообучение.

Машинното самообучение се ползва и за много от услугите, които присъстват в ежедневието ни – Netflix, YouTube и Spotify, търсачки като Google и Baidu, социални мрежи, като Facebook и Twitter; гласови асистенти като Siri и Alexa… Всяка от тези платформи събира възможно най-много данни за нас – какви жанрове обичаме, какви линкове отваряме … и използва машинно обучение, за да предположи какво бихме искали да ни предложи след това. Съответно при гласовите асистенти – да разбират какво казваме, какво желаем, а защо не и … какво бихме искали след това…

С няколко думи – “намери модела, и приложи модела”.

Кратка история:

Според някои издания – основите на ML с поставени през 1949г. от Donald Hebb в книгата Организацията на поведението (PDF), в която той представя своята теория за възбуждането на невроните и комуникацията между тях.

Hebb описва: „Когато една клетка многократно възбужда друга, аксонът на първата клетка развива синаптични възли (или ги разширява, ако вече съществуват) в контакт със сома на втората клетка.“ Неговият модел е базова концепция за създаването на изкуствени невронни мрежи, като описва начина на промяна на връзките между изкуствените неврони (наричани още възли), а също и промените в отделните неврони. Използва понятието “тежест”, чрез която описва тези взаимовръзки между възлите/невроните… Те могат да бъдат, както положителни, така и отрицателни, и се засилват, ако се активират едновременно, съответно и отслабват, ако се активират по отделно.

Детайлен преглед на развитието от тогава та до наши дни е разгледан тук. При интерес – може да се прегледа. За мен беше любопитно да узная какъв принос имат IBM 

Какво е deep learning?

Дълбокото обучение е машинно обучение, при което се работи на много по-фино ниво и в голяма дълбочина. Дори най-малките модели биват откривани и прилагани, като паралелно функционират много словете от прости изчислителни възли, които работят заедно, за да преобразуват данните, и да предоставят краен резултат под формата на прогноза. В дясно на изорбажението е визуализирана многослойната структура.

Какво представляват невронните мрежи?

Невронните мрежи функционират подобно на човешкия мозък. Възлите са налог на невроните, а мрежата на човешкия мозък. Технически погледнато – основите на deep learning – са представени още през 1986 от Geoffrey Hinton, след което техниката му изпада в завбение и близо 30 години по-късно излиза на гребена на вълната:

Какви са разликите междu машинното самообучение (ML) и изкуствения интелект (AI)?

Всяка невронна мрежа има множество различни словеве и тежести на взаимодействията между възлите. Когато на входа бъдат подадени данни, на изхода получаваме резултати, според това какви са тежестите. Проблемът идва тогава, когато човек-програмист следва да определя тези тежести. Когато резеултатите на изхода индикират, че е необходима пренастройка на тежестите – става доста трудоемко всеки път да се на ръка. И тук невронната мрежа преминава в областта на машинното обучение, като се прилага коригираща обратна връзка.

Машинно самообучение

При машинното обучение се сравняват постигнатите резултати, с данните на входа, и постепенно се променя теглото на невроните. Така мрежата се самообучава, за да се подобри точността й. Същественото е, че алгоритъмът за машинно обучение е способен да се учи и действа без програмисти, като използва всяка нова възможност от постъпили нови данни. И не е необходимо предварително да бъдат дефинирани всички възможни начини.

Веднъж обучен, алгоритъмът за машинно обучение е в състояние да сортира новите входящи данни през мрежата с голяма скорост и точност – в реално време. Така става водеща технология за компютърно виждане, гласово разпознаване, езикова обработка, както и научноизследователски проекти. Невронните мрежи са най-популярният начин да се направи Deep Learning, но съществуват и други начини за постигане на машинно обучение.

Изкуствен интелект

Изкуственият интелект изпълнява задачи, подобно на човешката интелигентност, като учене, планиране и вземане на решения. Той е проектиран да изпълнява конкретни задачи. Например – търговия с акции, управление на трафика в града, за диагностика …

Категории

Social