ТЕОРЕТИЧЕСКИЕ ОСНОВЫ В МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004

Сафронов И.Д.

студент 1 курса

Российский экономический университет имени Г. В. Плеханова

(г. Москва, Россия)

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ В МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ

Аннотация: в данной работе представлены основы машинного обучения на компьютерных программах и алгоритмах, которые самостоятельно обучаются адаптироваться и расти при подаче новых данных. С помощью машинного обучения программисту не нужно писать инструкции, в которых содержатся все решения, а также возможные проблемы. Взамен в отдельную программу/компьютер вкладываются алгоритмы поиска решений, использующие данные статистики. Из этих данных программа выводит закономерности и может сделать прогнозы.

Ключевые слова: машинное обучение, компьютер, алгоритмы, программы.

В современном мире, где количество информации постоянно растёт, машинное обучение невероятно актуально. Оно позволяет машине самостоятельно выполнять различные задачи, составлять прогнозы без участия человека. Это сокращает время, уменьшает количество ошибок. С помощью машинного обучения возможно определять тенденции и закономерности, обрабатывать большие объемы данных. С течением времени результаты становятся более точными.

С 1950 года используя технологии машинного обучения с помощью анализа данных начали разработку первых алгоритмов и программ для игр в шашки. С течением времени мощности компьютеров и способности прогнозов сильно усложнились.

Для запуска процесса машинного обучения нужно загрузить в компьютер какое-либо количество исходных данных (Датасет). С их помощью алгоритм

сможет начать обучение по обработке запросов. К примеру, можно загрузить фотографии женщин и мужчин, на которых уже присутствуют метки, которые обозначают, кто относится к какой фотографии.

После обучения программа самостоятельно способна распознавать женщин и мужчин на изображениях из новых источников, без наличия меток. Чем дольше проходит процесс обучения (анализирования информации), тем точнее программа способна распознавать фотографии и дать прогноз.

Существует два вида машинного обучения: с учителем и без учителя.

Для обучения с учителем необходимо разместить набор информации/данных для обучения и тренировки модели на различных этапах. Наличие данных означает, что каждому объекту в наборе для обучения соответствует определённый ответ, его должен получить алгоритм с помощью этого набора данных.

Датсет из фотографий сможет обучать нейронную сеть. Если сеть получит новое изображение, она сможет сравнить его с примерами из обучающего датсета, для того чтобы сделать прогноз. Данный вид обучения в основном используются для решения таких задач, как классификация и регрессия.

Рис. 1. Пример обучения с учителем — классификация (слева), и дальнейшее ее использование для сегментации и распознавания объектов

Например, перед человеком стоит задача разработать модель, которая бы предсказывала стоимость квартиры на рынке зависимости от её параметров. Имеются сведения о расположении, площади, расстоянии от метро и ценах.

Программе необходимо решить задачу регрессии, этот пример демонстрирует машинное обучение с учителем

Сложно получить идеально размеченные данные. Иногда требуется использовать алгоритм для нахождения заранее неизвестных ответов. В данном случае используется обучение без привлечения учителя.

Рис. 2. Кластеризация данных на основе общих признаков

Модель систематизирует данные в зависимости от поставленной задачи: кластеризация, выявление аномалий, ассоциации.

Например, существует информация о росте и весе определённого количества людей. Программе нужно разделить их по группам, для которых нужно пошить рубашки по соответствующем размерам. Этот пример демонстрирует машинное обучение без учителя с такой задачей, как кластеризация.

С помощью алгоритмов машинного обучения возможно составление прогнозов и аналитика данных. Я считаю, что будущее машинного обучения -развитие и охват все большего количества сфер экономики. По моему мнению, в перспективе обученные машины будут выполнять основную работу, а человек контролировать её выполнение.

СПИСОК ЛИТЕРАТУРЫ:

1. Тенденции развития высокотехнологичного бизнеса / Л.В. Овешникова, Е.В. Сибирская, О.Г. Лебединская, И.Р. Ляпина, А.Г. Тимофеев; под ред. Л.В. Овешниковой. - Тб., Справедливая грузия, 2019. - 230 с.

2. Журавлев Ю. И., Рязанов В. В., Сенько О. В. «Распознавание. Математические методы. Программная система. Практические применения». — М.: Фазис, 2006.

3. Единая межведомственная информационно-статистическая система, официальный сайт [Электронный ресурс]. URL: http://fedstat.ru/ (дата обращения: 01.06.23.)

4. Флах, Питер, «Машинное обучение».-М.: ДМК-Пресс, 2015 г.-400 с

Safronov I.D.

Plekhanov Russian University of Economics (Moscow, Russia)

THEORETICAL FOUNDATIONS IN THE MACHINE LEARNING MODEL

Abstract: this paper presents the basics of machine learning based on computer programs and algorithms that independently learn to adapt and grow when submitting new data. With the help of machine learning, a programmer does not need to write instructions that contain all the solutions, as well as possible problems. Instead, algorithms for finding solutions using statistical data are embedded in a separate program/computer. From this data, the program deduces patterns and can make predictions.

Keywords: machine learning, computer, algorithms, programs.