Многие слышали о машинном обучении, но что это такое, где применяется, а главное зачем? О дисциплине «Машинное обучение» нам рассказала старший преподаватель кафедры финансового мониторинга (75) ИФТЭБ НИЯУ МИФИ - Манаенкова Татьяна Андреевна. Что изучает преподаваемая дисциплина «Машинное обучение»? Сейчас машинное обучение занимает крайне важное и востребованное положение во всем информационном мире, где специалисты пытаются научить машину «думать», подобно человеку, и самой находить решения. Что же это такое? Представители ведущих IТ-компаний и исследовательских центров так говорят о машинном обучении: Nvidia: «Это практика использования алгоритмов для анализа данных, изучения их и последующего определения или предсказания чего-либо». Университет Стэнфорда: «Это наука о том, как заставить компьютеры работать без явного программирования». Говоря простым языком, машинное обучение – это класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи
Многие слышали о машинном обучении, но что это такое, где применяется, а главное зачем? О дисциплине «Машинное обучение» нам рассказала старший преподаватель кафедры финансового мониторинга (75) ИФТЭБ НИЯУ МИФИ - Манаенкова Татьяна Андреевна.
Что изучает преподаваемая дисциплина «Машинное обучение»?
Сейчас машинное обучение занимает крайне важное и востребованное положение во всем информационном мире, где специалисты пытаются научить машину «думать», подобно человеку, и самой находить решения. Что же это такое? Представители ведущих IТ-компаний и исследовательских центров так говорят о машинном обучении:
Nvidia: «Это практика использования алгоритмов для анализа данных, изучения их и последующего определения или предсказания чего-либо».
Университет Стэнфорда: «Это наука о том, как заставить компьютеры работать без явного программирования».
Говоря простым языком, машинное обучение – это класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач.
Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.
Но, конечно же, только математики недостаточно! Чтобы успешно работать в области машинного обучения, нужно хорошо владеть одним (а лучше несколькими) характерными языками программирования и уметь пользоваться множеством библиотек и технологий для обработки данных (включая большие данные «BigData») и программной реализацией математических методов или нейронных сетей.
Поэтому в рамках данной дисциплины мы, используя средства языка программирования Python, знакомимся не только с теоретическими основами и основными принципами машинного обучения — а именно, с классами моделей (линейные, логические, нейросетевые), метриками, качествами и подходами к подготовке данных, но и формируем практические навыки работы с большими потоками данных, включая применение технологии обработки информации в режиме реального времени, и решения прикладных задач анализа многомерных данных в финансовой и экономической сферах.
Какие дисциплины предшествуют пониманию предмета? Что нужно знать и уметь для успешного освоения?
Дисциплина «Машинное обучение» изучается на старших курсах, что безусловно правильно, поскольку студенты уже имеют структурированное аналитическое и логическое мышление благодаря хорошему математическому и экономико-правовому фундаментам, а также имеют навыки работы с базами данных и знания языков программирования, которые научили многогранно мыслить.
Для чего «Машинное обучение» нужно и где можно с этим столкнутся в жизни или на других предметах?
На сегодняшний день ни одна сфера трудовой деятельности не обходится без задач хранения и обработки больших объемов информации, ее учета, логистики и аудита в реальном времени, но также немаловажная роль отводится способам защиты данных.
Необходимо признать, что в современной реальности, классических подходов к информационной безопасности (сигнатурные методы, черные и белые списки и т.д.) становится недостаточно для защиты от всё новых угроз. Особенно это касается атак, построенных на методах социальной инженерии. На смену старым подходам приходят новые – построенные на машинном обучении, искусственном интеллекте и нейронных сетях. Поэтому разработка подобных средств защиты требует хороших знаний в области рассматриваемой дисциплины.
Также необходимо исследование последствий таких атак, выявление их характерных особенностей и средств, применяемых для проникновения, которые требуют современных технологий анализа данных. И в этом наша дисциплина будет служить основой для успешной работы.
Таким образом, хочется подчеркнуть, что современный специалист в области информационной безопасности (ИБ) просто обязан владеть методами машинного обучения и современных средств интеллектуального анализа данных.
Как ML можно применять в профессиональной деятельности?
В настоящее время машинное обучение уже внедрено во все сферы человеческой жизни, будь то бытовая или производственная, финансовая или медицина. Например, в промышленности машинное обучение управляет производством и может минимизировать простои и предсказывать аварии; в банковской сфере помогает оценке рисков и борьбе с мошенничеством.
Наши студенты на старших курсах уже начинают свою трудовую деятельность или стажируются в различных госслужбах по финансовому мониторингу или в коммерческой сфере, в таких как Яндекс, лаборатория Касперского, различных страховых компаниях, банках Сбер, ВТБ, Тинькофф и др. Где им непременно приходится сталкиваться с большими объемами информации, которую необходимо анализировать и классифицировать, которой нужно правильно уметь управлять и принимать правильные аналитические решения, зачастую автоматизированные, для чего и необходимы знания и умения по машинному обучению и искусственному интеллекту.
Почему нравится преподавать «Машинное обучение»?
Мне очень нравится моя дисциплина, наверно потому, что люблю математику и программирование, люблю структурированность мышления и аналитику, ведь мы не только применяем различные математические, но и современные аналитические методы для автоматизации решения задач. Считаю правильным подход, когда студенты не просто механически выполняют поставленные цели, но и рассуждают зачем и почему они выбирают конкретные методы для решения, какие получают результаты и можно ли их улучшить, а можно ли сделать по-другому и почему… Учимся многогранности в работе с информацией!
#ифтэб #мифи #специалитет #ML #кибербезопасность #информатика