ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РЕШЕНИЯ РАЗЛИЧНЫХ ЗАДАЧ

APPLICATION OF MACHINE LEARNING TO SOLVE VARIOUS TASKS

Anton Yakimchuk

student, Department of Informatics and Computer Engineering,  Siberian state university of science and technology named after academician M.F. Reshetnev,

Russia, Krasnoyarsk

АННОТАЦИЯ

Рассматривается применение машинного обучения в различных сферах. Приводятся примеры его использования для решения различных задач.

ABSTRACT

This article reviews the application of machine learning in the various systems. It gives examples of its use for solving different tasks.

Ключевые слова: машинное обучение; анализ данных; глубокое обучение.

Keywords: machine learning; data analysis; deep learning.

Машинное обучение – это методики анализа данных, которые позволяют аналитической системе обучаться в ходе решения множества подобных задач. Машинное обучение (МО) базируется на идее о том, что аналитические системы могут учиться выявлять различные закономерности и принимать на их основе решения с минимальным участием человека [1].

На сегодняшний день, МО используют в основном в целях маркетинга. Например, Яндекс и Google применяет машинное обучение для показа релевантной рекламы своим пользователям. Многие пользователи замечали, что при поиске в интернете интересующего товара они потом несколько часов или дней видели похожие рекламные предложения. По такому же принципу формируются умные ленты в социальных сетях. Аналитические машины Вконтакте, Facebook, Instagram и Twitter исследуют интересы пользователей – просматриваемые ими посты и группы. Чем дольше и чаще пользователи проявляют активность в социальных сетях, тем более персонализированной становится их новостная лента. С одной стороны – машина отсеивает массив неинтересной, с точки зрения машины, информации, с другой – она сужает пользователю кругозор.

Машинное обучение используется для обеспечения безопасности. Например, система для распознавания лиц в метро. Камеры сканируют лица людей, которые входят и выходят из метро. Аналитические машины сравнивают снимки с лицами людей, которые находятся в розыске. Если сходство высоко, то система подаст соответствующий сигнал. Затем сотрудники полиции пойдут проверять документы у конкретного человека.

Существует несколько видов МО, каждый из которых направлен на проверку гипотез и поиск оптимальных решений. Выделяют 3 вида:

1. Обучение с учителем;
2. Обучение без учителя;
3. Глубокое обучение.

В первом случае, как правило, необходимо что-либо предсказать, либо проверить какую-либо гипотезу на основе определенного массива данных. Например, у нас есть информация о работе предприятия за год. Мы знаем о количестве проданных товаров, о среднем чеке и другие параметры. Задача системы проанализировать всю имеющуюся информацию и на ее основе сделать прогноз дохода на предстоящий год.

Во втором случае аналитической машине необходимо при обработке информации найти взаимосвязи в некотором массиве данных. Иногда на выходе получаются неочевидные решения. Например, мы знаем данные о росте, весе и типе телосложения 5000 потенциальных покупателей свитеров. После анализа этой информации мы получим несколько категорий людей со схожими характеристиками, чтобы для них выпустить свитера определенного размера.

В случае глубокого обучения производится анализ «больших данных». То есть, обработка такого большого количества информации производится несколькими устройствами. Например, один процессор собирает информацию, другой анализирует собранную информацию. Следующий по цепочке процессор производит поиск решения [2].

Все задачи, которые решаются с помощью МО относятся к одной из следующих категорий [3]:

1. Задача регрессии – прогноз на основе выборки объектов с различными признаками. На выходе должно получиться вещественное число, к примеру цена квартиры или ожидаемый доход магазина на следующий месяц;
2. Задача классификации – получение категориального ответа на основе различных признаков. Имеет конечное число ответов, например: «Есть ли на фотографии собака?»;
3. Задача кластеризации – распределение данных на группы: отнесение объектов на фотографии к той или иной категории;
4. Задача уменьшения размерности – сведение большого числа признаков к меньшему для удобства их последующей визуализации, например – сжатие данных;
5. Задача выявления аномалий – отделение аномалий от стандартных случаев, к примеру – выявление мошеннических действий с банковскими картами.

Использование машинного обучения в различных сферах может привнести в нашу жизнь новые возможности. Дальнейшее развитие данной технологии является очень перспективным направлением.

Список литературы:

1. Что такое Machine Learning и каким оно бывает — [электронный ресурс] — Режим доступа. — URL: https://mcs.mail.ru/blog/what-is-machine-learning (дата обращения 29.07.2020)
2. Машинное обучение — [электронный ресурс] — Режим доступа. — URL: https://www.calltouch.ru/glossary/mashinnoe-obuchenie/ (дата обращения 30.07.2020)
3. Алексеев Г.И. Введение в машинное обучение — 2019 — [электронный ресурс] — Режим доступа. — URL: https://habr.com/ru/post/448892/ (дата обращения 31.07.2020)