-
Notifications
You must be signed in to change notification settings - Fork 7
exam18 5
Реферат к лекции 18 (34) Аналитические и экспертные системы
Выполнил: Ныров Астемир
Проверил: Мирзажонов Дониер
Понятие "Искусственный интеллект из ГОСТ 59277-2020" - это комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение, поиск решений без заранее заданного алгоритма и достижение инсайта) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека.
Примечание — Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения), процессы и сервисы по обработке данных, анализу и синтезу решений.
Понятие "Искусственный интеллект из Википедии" (ИИ; англ. artificial intelligence, AI) — это свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека; наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. Основные свойства ИИ — это понимание языка, обучение и способность мыслить и, что немаловажно, действовать.
ИИ – это комплекс родственных технологий и процессов, развивающихся качественно и стремительно, например:
- обработка текста на естественном языке;
- машинное обучение;
- экспертные системы;
- виртуальные агенты (чат-боты и виртуальные помощники);
- системы рекомендаций.
На данный момент можно выделить 4 подхода к построению систем ИИ:
-
Логический подход — основан на моделировании рассуждений. Теоретической основой служит логика. Данный подход больше похож на мышление человека, поскольку он на вопросы редко отвечает только да или нет.
-
Структурный подход — это построение искусственного интеллекта путем моделирования структуры человеческого мозга. Основной моделируемой структурной единицей в перцептронах является нейрон. Позднее возникли и другие коннекционисткие модели, которые большинству известны под термином нейронные сети (НС) и их реализации — нейрокомпьютеры. Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно назвать НС с обратным распространением ошибки, сети Кохонена, сети Хопфилда, стохастические нейронные сети. В более широком смысле такой подход известен как Коннективизм.
-
Эволюционный подход — при построении систем ИИ по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и НС и набор логических правил и любая другая модель. После этого мы включаем компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели. Среди эволюционных алгоритмов классическим считается генетический алгоритм.
-
Имитационный подход — является классическим для кибернетики с одним из ее базовых понятий черный ящик. Черный ящик – это устройство, программный модуль или набор данных, информация о внутренней структуре которого отсутствует полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой черный ящик. Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Таким образом здесь моделируется другое свойство человека – способность копировать то, что делают другие, без разложения на элементарные операции и формального описания действий. Зачастую эта способность экономит человеку массу времени, особенно в начале его жизни.
Понятие "Машинное обучение из ГОСТ 33707-2016" - это процесс, с помощью которого функциональный блок улучшает свои функциональные характеристики путем приобретения новых знаний или опыта или путем реорганизации существующих знаний и опыта.
Допустимый синоним: Самообучение.
Понятие "Машинное обучение из Википедии" (англ. machine learning, ML) — это класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счет применения решений множества сходных задач.
Различают два типа обучения:
- Обучение по прецедентам, или индуктивное обучение, основано на выявлении эмпирических закономерностей в данных.
- Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний.
Обучение с учителем — способ, в ходе которого испытуемая система принудительно обучается с помощью примеров «стимул-реакция»:
- Искусственная нейронная сеть (Глубокое обучение).
- Метод коррекции ошибки.
- Метод обратного распространения ошибки.
- Метод опорных векторов.
Обучение без учителя — способ при котором испытуемая система спонтанно обучается выполнять поставленную задачу без вмешательства со стороны экспериментатора.
Обучение с подкреплением — для каждого прецедента имеется пара «ситуация, принятое решение»:
Активное обучение (англ. active learning)— отличается тем, что обучаемый алгоритм имеет возможность самостоятельно назначать следующую исследуемую ситуацию, на которой станет известен верный ответ.
Обучение с частичным привлечением учителя (англ. semi-supervised learning) — для части прецедентов задается пара «ситуация, требуемое решение», а для части — только «ситуация».
Трансдуктивное обучение (англ. transductive inference) — обучение с частичным привлечением учителя, когда прогноз предполагается делать только для прецедентов из тестовой выборки.
Многозадачное обучение (англ. multi-task learning) — одновременное обучение группе взаимосвязанных задач, для каждой из которых задаются свои пары «ситуация, требуемое решение».
Многовариантное обучение (англ. multiple-instance learning) — обучение, когда прецеденты могут быть объединены в группы, в каждой из которых для всех прецедентов имеется «ситуация», но только для одного из них (причем, неизвестно какого) имеется пара «ситуация, требуемое решение».
Бустинг (англ. boosting) — это процедура последовательного построения композиции алгоритмов машинного обучения, когда каждый следующий алгоритм стремится компенсировать недостатки композиции всех предыдущих алгоритмов.
Байесовская сеть (или байесова сеть, байесовская сеть доверия, англ. Bayesian network, belief network) — графовая вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей по Байесу.
- Классификация, как правило, выполняется с помощью обучения с учителем на этапе собственно обучения.
- Кластеризация, как правило, выполняется с помощью обучения без учителя.
- Регрессия, как правило, выполняется с помощью обучения с учителем на этапе тестирования, является частным случаем задач прогнозирования.
- Понижение размерности данных и их визуализация выполняется с помощью обучения без учителя.
- Восстановление плотности распределения вероятности по набору данных.
- Одноклассовая классификация и выявление новизны.
- Построение ранговых зависимостей.
- Обнаружение аномалий.
Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности.
Машинное обучение имеет широкий спектр приложений[источник не указан 3048 дней]:
- Распознавание речи — преобразование речевого сигнала в цифровую информацию (например, текстовые данные).
- Распознавание жестов — преобразование жестов в цифровую информацию (клавиатурные команды, сочетания клавиш, текстовые данные).
- Распознавание рукописного ввода — преобразование рукописного ввода в цифровую информацию.
- Распознавание образов — классификация и идентификация предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков.
- Техническая диагностика — область знаний, охватывающая теорию, методы и средства определения технического состояния объектов.
- Медицинская диагностика — процесс установления диагноза, то есть заключения о сущности болезни и состоянии пациента.
- Прогнозирование временных рядов — предсказание будущих значений временного ряда по настоящим и прошлым значениям
- Биоинформатика — междисциплинарная область, объединяющая общую биологию, молекулярную биологию, кибернетику, генетику, химию, компьютерные науки, математику и статистику.
- Обнаружение мошенничества (антифрод, или фрод-мониторинг) — система, предназначенная для оценки финансовых и не финансовых событий (карточных транзакций, действий пользователя в ДБО, операций с баллами лояльности и проч.) на предмет подозрительности с точки зрения мошенничества и предлагающая рекомендации по их дальнейшей обработке.
- Обнаружение спама (Байесовская фильтрация спама) — метод для фильтрации спама, основанный на применении наивного байесовского классификатора, опирающегося на прямое использование теоремы Байеса.
- Категоризация документов — определение отношения данного образа к некоторой категории.
- Биржевой технический анализ — анализ состояния биржевой торговли по странам, отраслям, товарам, ценным бумагам и валюте и инвестиционной привлекательности направлений вложения капиталов при помощи биржевых торгов.
- Финансовый надзор — совокупность действий и операций по проверке финансовых и связанных с ними вопросов деятельности субъектов хозяйствования и управления с применением специфических форм и методов его организации.
- Кредитный скоринг — система оценки кредитоспособности (кредитных рисков) лица, основанная на численных статистических методах.
- Прогнозирование ухода клиентов — использование больших данных для выявления клиентов, которые могут перестать пользоваться вашим сервисом или покупать ваш продукт регулярно.
- Хемоинформатика — применение методов информатики для решения химических проблем: прогноз физико-химических свойств химических соединений, свойств материалов, токсикологическая и биологическая активность, ADME/T, экотоксикологические свойства, разработка новых лекарственных препаратов и материалов.
- Обучение ранжированию в информационном поиске.
Сфера применений машинного обучения постоянно расширяется. Повсеместная информатизация приводит к накоплению огромных объемов данных в науке, производстве, бизнесе, транспорте, здравоохранении. Возникающие при этом задачи прогнозирования, управления и принятия решений часто сводятся к обучению по прецедентам. Раньше, когда таких данных не было, эти задачи либо вообще не ставились, либо решались совершенно другими методами.