Ч а с т ь I главный редактор
Информационные технологии
жүктеу/скачать 7.68 Mb. Pdf көрінісі
|
| 48
Информационные технологии различные географические исследования, исследование других планет, обезвреживание бомб или обычное выполнение по- вседневной рутинной работы, например, уборку. Компью- теры значительно продвинулись вперед и на сегодняшний день они самостоятельно могут выполнять огромное количество функций: управление автомобилями и самолетами, различное прогнозирование, передача новостей или же просто развлекать нас. Сегодня многие заводские работы выполняются промыш- ленными роботами. Это привело к удешевлению производства различных товаров, в том числе автомобилей и электроники. Искусственный интеллект успешно используется в ши- роком спектре областей, включая медицинскую диагностику, торговлю акциями, управление роботами, право, научные от- крытия и игрушки. Промышленные роботы также использу- ются для упаковки промышленных товаров, транспортировки товаров по складам или больницам, или удаления крошечных электронных компонентов с большой точностью, скоростью и надежностью. Роботы могут перемещаться, ощущать окру- жающую среду и управлять ею, предсказывать действия других и проявлять разумное поведение. Ученые заинтересованы в создании роботов, похожих на человека. Рассмотрим подробнее одно из направлений в искус- ственном интеллекте — машинное обучение. Основной принцип машинного обучения заключается в том, что машины получают данные и «обучаются» на них. В настоящее время это наиболее перспективный инструмент для бизнеса, осно- ванный на искусственном интеллекте. Системы машинного об- учения позволяют быстро применять знания, полученные при обучении на больших наборах данных, что позволяет им преу- спевать в таких задачах, как распознавание лиц, распознавание речи, распознавание объектов, перевод, и многих других. В от- личие от программ с закодированными вручную инструкциями для выполнения конкретных задач, машинное обучение позво- ляет системе научиться самостоятельно распознавать шаблоны и делать прогнозы. Машинное обучение — одна из самых популярных техно- логий в 2020 г., поскольку объем данных увеличивается изо дня в день, потребность в машинном обучении также растет в гео- метрической прогрессии. Машинное обучение — это очень об- ширная тема, которая имеет разные алгоритмы и варианты ис- пользования в каждой области и отрасли. Один из них — это обучение без учителя, в котором мы можем увидеть использо- вание кластеризации. [1] Обучение без учителя — это метод, при котором машина учится самостоятельно на основе данных без вмешательства со стороны. Поскольку данные «не маркированы», у машины нет правильного ответа, чтобы учиться на ней, но машина сама находит некоторые закономерности на основе данных, чтобы найти ответы на бизнес-проблему. [2] Иными словами, это при- годно только для задач, в которых известны описания множе- ства объектов (обучающей выборки), и требуется обнаружить внутренние взаимосвязи, зависимости, закономерности, суще- ствующие между объектами. Кластеризация — это метод машинного обучения без учи- теля, который включает в себя группировку заданных немарки- рованных данных. В каждом очищенном наборе данных с по- мощью алгоритма кластеризации мы можем кластеризовать данные точки данных в каждую группу. Алгоритм кластеризации предполагает, что точки данных, которые находятся в одном кла- стере, должны иметь похожие свойства, а точки данных в разных кластерах должны иметь сильно различающиеся свойства. Зачем нужна кластеризация? Кластеризация — это широко используемый алгоритм ма- шинного обучения, который позволяет нам находить скрытые связи между точками данных в нашем наборе данных. Примеры: 1. Сегментирование клиентов на основе их сходства с пре- дыдущими клиентами 2. Обработка изображений в основном в биологических исследованиях для определения основных закономерностей 3. Создание иерархии тем на основе набора текстовых данных в соответствии с сходством контента 4. Фильтрация спама 5. Выявление мошенничества и преступных действий Давайте разберемся какие бывают типы кластеризации и уз- наем их плюсы и минусы. В машинном обучении существует множество типов алго- ритмов кластеризации. Остановимся на следующих трех алго- ритмах: 1. Кластеризация k-средних Это самый популярный алгоритм кластеризации среди других алгоритмов кластеризации в машинном обучении. Он используется во многих ведущих отраслях. Это одна из самых простых моделей как в реализации, так и в понимании. Сна- чала выбирается случайное число из k для использования и слу- чайным образом инициализируется их соответствующие цен- тральные точки. Затем каждая точка данных классифицируется путем вычисления расстояния между этой точкой и центром каждой группы, а затем кластеризации точки данных в кластер, центр которого находится ближе всего к нему. Далее повторно вычисляется центр группы, на основе средних значений всех векторов в группе. Шаги повторяются в течение n раз или до тех пор, пока центры групп не сильно не изменятся. Плюсы: очень быстро, минимум вычислений, линейная сложность O(n). Минусы: выбор значения k, различные центры кластери- зации, непоследовательность. 2. Кластеризация сдвига среднего значения Алгоритм среднего сдвига в основном назначает точки данных кластерам итеративно, смещая точки в направлении наивысшей плотности точек данных, то есть центроида кла- стера. В отличие от алгоритма k-средних, данный алгоритм не делает никаких предположений; следовательно, это непараме- трический алгоритм, а также разница заключается в том, что не нужно заранее указывать количество кластеров, поскольку ко- личество кластеров будет определяться алгоритмом по данным. Алгоритм начинается с выбора «окна», которое будет пере- мещаться с центром в случайно выбранной точке. После каждой итерации окно смещается в сторону областей с более высокой плотностью путем смещения центральной точки к среднему значению точек внутри окна. Плотность внутри окна увеличи- вается с увеличением количества точек внутри него. Смещение |