CC BY
43
2. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. - Санкт-Петербург: Питер, 2017. - 336 с.
3. Машинное обучение. [Электронный ресурс]. Режим доступа: http://www.machmeleammg.ru/wiki/mdex.php?tiÜe=Машинное_обучение (дата обращения 20.06.2018).
4. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. -Москва: ДМК Пресс, 2015. -400 с.
УДК 004.85
Макаров Д.А. студент
факультет «Информатика и системы управления»
Шибанова А.Д. студент
факультет «Робототехника и комплексная автоматизация»
Московский государственный технический университет имени Н.Э. Баумана Россия, г. Москва ПРИНЦИПЫ МАШИННОГО ОБУЧЕНИЯ Аннотация:
В данной статье рассмотрена технология машинного обучения. Указаны ее преимущества и достоинства. Описаны задачи машинного обучения. Рассмотрена их классификация по наличию или отсутствию учителя в процессе обучения.
Ключевые слова: машинное обучение, алгоритм, нейронная сеть, учитель, регрессия.
Makarov D.A. student
Faculty of Informatics and Management Systems Moscow State Technical University named after N.E.
Bauman Russia, Moscow Shibanova A.D. student
Faculty of Robotics and complex automation Moscow State Technical University named after N.E.
Bauman Russia, Moscow PRINCIPLES OF MACHINE LEARNING
Annotation:
In this article, we consider the technology of machine learning. Its advantages and advantages are indicated. The problems of machine learning are described. Their classification according to the presence or absence of a teacher
in the process of training is considered.
Key words: machine learning, algorithm, neural network, teacher, regression.
Машинное обучение позволяет программисту не писать программы, учитывающие все варианты развития событий, а заложить в программу возможность самостоятельного нахождения решений с помощью использования имеющих статистических данных, в которых выделяются закономерности и на их основе создаются прогнозы.
Из-за быстрого роста вычислительных возможностей компьютеров во много раз усложнились прогнозы, которые они создают, и расширился круг проблем и задач, которые решает машинное обучение.
Для запуска процесса машинного обучения надо предоставить программе определенное количество исходных данных, необходимых для обучения. К примеру, это могут быть фотографии с присвоенными описаниями: «на фото дом» или «на фото нет дома». Это позволит программе в дальнейшем обнаруживать объекты на фото самостоятельно. Процесс обучения продолжается и в дальнейшем, так как все проанализированные фотографии попадают в базу данных. Поэтому, при увеличении количества обработанных данных увеличивается и качество распознавания.
Разница между машинным обучением и нейронными сетями Существует много разных алгоритмов, которые используются в технологии машинного обучения. Есть как специфичные, так и алгоритмы, с помощью которых можно решать все задачи, такие как метод опорных векторов, бустинг над решающими деревьями, нейронные сети и т. д. Последний метод (нейронная сеть) - это множество нейронов, представляющих из себя некоторую модель нейрона в человеческом мозге. В такой искусственной сети нейрон, - это некоторая функция из математики (сигмоидная и др.), получающая значение из исходных данных. С помощью нейронных сетей можно искать решения задач классификации и регрессии, стало возможным создание сложных моделей, а с увеличением мощности вычислительных устройств и появлением смартфонов их возможности растут еще быстрее.
Как используют машинное обучение Алгоритмы, которые используются в машинном обучении, дают возможность решать такие комплексные задачи, как определение, надо ли госпитализировать пациента, страдающего диабетом, по 8 факторам. Обработка текстов и речи — другая обширная область для применения технологий машинного обучения. К примеру, это создание голосовых помощников, таких как Siri или Alexa, онлайн-ботов для интернет-магазинов, отвечающих на входящие запросы клиентов, систем распознавания текста и речи. Создание умных автомобилей, которые способны самостоятельно ориентироваться в пространстве и принимать
решения, согласно дорожной обстановке является крупным и важным направлением машинного обучения.
Какие задачи решает машинное обучение
Существует несколько задач машинного обучения:
1. Задача регрессии - составить прогноз, основываясь на некоторой выборке объектов, которые имеют различные признаки. В итоге должны получится числовые данные, например, цена акций и т.д.
2. Задача классификации ставит своей целью выбор ответа из определенной категории, базируя свой выбор на наборе признаков. Имеет конкретный набор ответов, например, да или нет, к примеру: есть ли фотографии енот. Может использоваться для распознавания текста или определения спама.
Рисунок 1. Пример задачи классификации.
3. Задача кластеризации -это отнесение информации к какой-либо определенной группе исходя из признаков, например, определение типа объектов.
4. Задача минимизации размерности - минимизация набора признаков объекта, к примеру, для того, чтобы их было удобно представить графически.
5. Задача выявления аномалий - разделение аномалий и стандартных случаев. Задача чем-то схожа с задачей классификации, однако, аномалии встречаются редко и сложно предоставить обучающую выборку.
Виды задач машинного обучения
Существует два вида задач, которые решаются с помощью машинного обучения: обучение с «учителем» (leaming with superviser) и без него (learning without superviser). «Учитель» означает, что человек вмешивается в процесс анализа информации. Предположим, у нас есть данные о определенном наборе квартир. Надо воплотить в жизнь модель, которая будет предсказывать стоимость квартиры на рынке, учитывая её параметры. Есть список параметров квартиры и есть ее рыночная стоимость, таким образом, программе необходимо найти решение для задачи регрессии. Это обучение с учителем.
Машинное обучение без учителя
Если при обучении отсутствует база верных ответов. Например, имеется показаний роста и веса группы людей, данные должны быть распределены по 3 группам. Это задача разделения по кластерам. Необходимо распределить данные по кластерам, но это можно сделать многими способами, единственного верного пути нет.
Использованные источники:
1. Машинное обучение: виды, алгоритмы, примеры. [Электронный ресурс]. Режим доступа: https://www.gd.ru/articles/9348-mashinnoe-obuchenie (дата обращения 20.06.2018).
2. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. - Санкт-Петербург: Питер, 2017. - 336 с.
3. Машинное обучение. [Электронный ресурс]. Режим доступа: http://www.machmeleammg.ru/wiki/mdex.php?title=Машинное_обучение (дата обращения 20.06.2018).
4. Простыми словами: как работает машинное обучение. [Электронный ресурс]. Режим доступа: https://www.kaspersky.ru/blog/machine-learning-explained/13605/ (дата обращения 20.06.2018).
УДК 004.4
Нурпеисова Ж. С. ст. преподаватель кафедра «Информационные системы»
Герасименко П.А. студент 4 курса специальность Информационные системы КГУ имени А. Байтурсынова Казахстан, г. Костанай РАЗРАБОТКА СИСТЕМЫ ТЕСТИРОВАНИЯ ДЛЯ ВНЕШНЕЙ ОЦЕНКИ УЧЕБНЫХ ДОСТИЖЕНИЙ
Аннотация: Статья посвящена описанию процесса разработки и использования системы тестирования для внешней оценки учебных достижений. Программа реализована в среде Borland Delphi и представляет собой базу данных. В программе имеются функции добавления, удаления данных, поиск пользователя.
Ключевые слова: база данных, MS Access, программа, таблица, Borland Delphi.
Nurpeisova J.S.
Art. Lecturer of the department "Information Systems"
KSU after A. Baytursynov Kazakhstan, Kostanay city Gerasimenko P.A.
Student
4 year, specialty Information Systems KSU after A. Baytursynov Kazakhstan, Kostanay city DEVELOPMENT OF A TESTING SYSTEM FOR EXTERNAL EVALUATION LEARNING ACHIEVEMENTS
Annotation: The article is devoted to the description of the process of development and use of automation of the workplace of the registrar of the medical center. The program is implemented in the Borland Delphi environment and is a database. The program has the functions of adding, deleting data, searching users.
Key words: database, MS Access, program, table, Borland Delphi.
