Как и прежде хочу рассказать о терминах, принятых в области искусственного интеллекта. Перейдем в область Технологии. Здесь два больших понятия: Машинное обучение и его подраздел Глубокое обучение.
Машинное обучение
В настоящее время это самая распространенная технология, управляемая искусственным интеллектом. Согласно определению, «машинное обучение - это научное исследование алгоритмов и статистических моделей, которые компьютерные системы используют для эффективного выполнения конкретной задачи без использования явных инструкций, вместо этого полагаясь на шаблоны и логические выводы».
Самым большим преимуществом этой технологии является то, что алгоритм машинного обучения определяет закономерности и взаимосвязи в данных, которые используются для прогнозирования данных, которых он раньше не видел. Включает в себя несколько различных методов, таких как нейронные сети (NN), машины опорных векторов (SVM), случайные леса (Random Forest) и K-средние (K-means). Алгоритмы машинного обучения классифицируются в зависимости от желаемого результата. Наиболее часто используемые типы алгоритмов включают обучение с учителем, обучение без учителя и обучение с подкреплением (RL).
Обучение с учителем. Здесь алгоритм генерирует функцию или классификатор, который сопоставляет входные данные с желаемыми выходными данными. Ключевым допущением является наличие «учителя», который предоставляет знания об окружающей среде, предоставляя обучающие образцы или метки. Параметры обучающей системы регулируются в зависимости от ошибки между целевым и фактическим ответом. Обучение с учителем ключевой метод в нейронных сетях.
Обучение без учителя. Алгоритм генерирует шаблоны из набора входных данных, поскольку целевые примеры недоступны или вообще не существуют. Для обучения без учителя не нужен учитель, от алгоритма требуется найти шаблоны в данных. Система обучения настраивается структурой, обнаруженной в входных данных. Например, соотнесение групп данных к определенным кластерам. Новые данные алгоритм помещает в один из таких кластеров.
Обучение с подкреплением (RL). Больше подходит под понимание искусственного интеллекта. Роботы, имитирующие поведение животных, используют алгоритм (RL). Обучение происходит благодаря взаимодействию с окружающей средой, изучению успешных реакций и вознаграждения. Алгоритм обучения с подкреплением основан на идее обучения путем взаимодействия с окружающей средой и адаптации своего поведения для максимизации целевой функции, специфичной для этой среды. Механизм обучения основан на методе проб и ошибок действий и оценке вознаграждения. Каждое действие оказывает определенное влияние на окружающую среду, и среда обеспечивает обратную связь типа кнута и пряника, которая корректирует алгоритм обучения. Пример: увеличение прибыли в сделках в алгоритмическом трейдинге - вознаграждение для робота.
Глубокое обучение (DL)
Глубокое обучение - это наиболее прогрессивный подход к машинному обучению. Основан на понимании работы головного мозга. Алгоритмы глубокого обучения учатся учиться. Обычно алгоритм глубокого обучения основан на глубокой нейронной сети. В отличие от стандартной нейронной сети с одним или двумя слоями, в сети много слоев искусственных нейронов. Когда нейрон срабатывает, он посылает сигналы подключенным нейронам следующего слоя.
Используется в компьютерном зрении и в обработке естественного языка. В настоящее время алгоритмы глубокого обучения применяются в обучении с подкреплением и в генеративных алгоритмах, которые могут создавать произведения искусства, писать музыку и тексты.
