Преглед садржаја

• Увод у машинско учење
• Машинско учење
• Учење под надзором
• Регресија
• Алгоритам линеарне регресије
• Класификација
• Суппорт Вецтор Мацхине
• Учење без надзора
• К-значи груписање
• Полу-надгледани алгоритам
• Учење са појачањем
• Дубоко учење
• Дубока неуронска мрежа
• Примене вештачке интелигенције
  • Маркетинг
  • Банкарство
• Препоручени чланци

Увод у машинско учење

Истраживачи су дуго сањали о изградњи маштовитих машина. Када су програмабилни рачунари први пут измишљени људи су се питали да ли ће такве машине једног дана постати интелигентне попут људи и способне да обављају задатке као људи. Данас је вештачка интелигенција технологија у настајању са широким спектром примена у различитим областима. Концепт вештачке интелигенције је да симулира људску интелигенцију у вештачке машине тако да су машине у стању да мисле и обављају задатке попут људи.

Зашто нам је потребна било каква технологија која функционише као људи у свим аспектима?

Људи имају веома добру тачност у обављању посла, али ефикасност у раду није задовољавајућа и увек постоји граница да се убрза рад људи, али то није случај са машинама, а такође и рад машина је веома прецизан, уједначен и скалабилан.

У деветнаестом веку, софтверска револуција се десила да би се превазишли ови проблеми, али то није довољно да се њоме баве. Софтвер је у стању да изврши задатак који је формално дефинисан у скупу правила тако да је у стању да напише програм од стране програмера узимајући у обзир та правила.

На пример, израчунавање збира два дата броја. У данашњем свету, у погледу брзине и тачности, рачунари могу победити сваког човека у овом задатку. Али проблеми који немају скуп формалних правила и захтевају људску интелигенцију, онда је такав проблем веома тешко решити компјутерима.

На пример, да би препознали лица, људи су у стању да препознају лица веома лако, али је рачунарима веома тешко да препознају јер је веома сложено написати формална правила лица. Дакле, прави изазов вештачке интелигенције је решавање задатака које је лако извршити људима, али их је тешко формално описати.

Узмимо пример Дееп Блуе система за играње шаха који је развио ИБМ. Шаховска правила могу бити у потпуности дефинисана скупом формалних правила. Дакле, програмер је лако конвертовао ова правила у програм и обезбедио их унапред.

Вештачка интелигенција покушава да се ухвати у коштац са овим изазовом преносећи људску интелигенцију на машине са неупоредивим рачунарским могућностима.

У свакодневном животу човеку је потребно знање о свету да би решио свој задатак, а такво знање је субјективно и интуитивно па је програмеру тешко да артикулише у скупу правила.

Дакле, одавде можемо да разумемо да, да би се понашали као људи или другим речима, понашали се на интелигентан начин, рачунари захтевају слично знање, тако да је кључни изазов у ​​вештачкој интелигенцији да се ове неформалне или субјективне информације ставе у рачунар, а истраживачи у Вештачком Обавештајно поље, у основи, покушава да постигне овај циљ.

Истраживачи су открили основни начин за постизање овог циља. Користили су приступ заснован на знању. У овом приступу истраживачи чврсто кодирају знање о свету на формалним језицима.

Рачунари могу аутоматски да размишљају о изјавама на овим формалним језицима користећи правила логичког закључивања. Пошто је ово врло основни, једноставан и наиван приступ, пројекат који користи овај приступ није успешан јер се истраживачи боре да осмисле формална правила са довољно сложености да би тачно осмислили свет. Један пример таквог пројекта је Циц. Циц је механизам закључивања.

Потешкоћа са којом се суочавају горе наведени пројекти (засновани на приступу заснованом на знању) је ослањање на чврсто кодирано знање. Дакле, да би превазишли ову потешкоћу, системима вештачке интелигенције је потребна способност да стекну сопствено знање из света, издвајањем образаца из сирових података. Ова могућност је позната као машинско учење.

Машинско учење

Увођење машинског учења даје рачунарима могућност да стекну знање о стварном свету и донесу одлуке које изгледају субјективно. На овај начин, машинско учење је у стању да превазиђе ограничења приступа заснованог на знању.

Према Википедији

Машинско учење је проучавање компјутерских алгоритама који се аутоматски побољшава искуством.

Према Мичелу

За компјутерски програм се каже да учи из искуства Е у односу на неку класу задатака Т и мере учинка П, ако се његов учинак на задатку у Т, мерено П, побољшава са искуством Е

Постоји много типова алгоритама машинског учења који постоје у литератури. Овде се груписање алгоритама врши на основу стила учења. Широко груписање алгоритама алгоритама машинског учења приказано је на слици 1. Погледајмо детаљно један по један.

Груписање алгоритма машинског учења на основу стила учења

Учење под надзором

Учење под надзором, као што име каже, је присуство супервизора као наставника. У контролисаном учењу ми тренирамо нашу машину користећи означене податке. Означени подаци значи да за сваки улаз постоји добро означен излаз.

У процесу обуке, машине стичу Знање о свету из означених података. Након обуке, машина добија нови скуп података за предвиђање исхода. Циљ је да натерају машине да уче из неке сличне врсте образаца добијених из скупа података за обуку и примене научено знање на тестирани скуп података како би предвидели стварне вредности излаза.

Узмимо пример скупа података Ирис да бисмо боље разумели. Скуп података перуника је колекција мерења различитих делова 150 биљака перуника. Сваки пример у скупу података састоји се од мерења сваког дела биљке као што су дужина сепала, ширина сепала, дужина латице, ширина латице. Скуп података такође бележи којој врсти припада свака биљка. У скупу података постоје три различите врсте. Дакле, као што видимо овде у скупу података Ирис, свака биљка перуника је означена својом врстом.

Алгоритми за надгледано учење могу да проучавају овај скуп података и науче да класификују биљку перуника у три различите врсте на основу њихових мерења

Термин надгледано учење у основи значи да циљ и даје наставник који показује машини шта треба да ради.

Учење под надзором класификовано у две категорије алгоритма као што је приказано на слици:2.

Регресија

Алгоритми регресије предвиђају континуирани исход (циљ) на основу једног или више улазних или предикторских вредности. Једноставним речима, излазна вредност је стварна вредност попут тежине.

Постоје различите врсте алгоритама регресије. Типови различитих регресионих алгоритама зависе од броја независних променљивих, облика линије регресије и типа зависне променљиве. Хајде да видимо неке врсте техника регресије.

Линеарна регресија је један од најосновнијих и најпопуларнијих алгоритама регресије за предвиђање континуалне вредности. Овде претпоставља линеарни однос између улаза (предиктора) и излаза.

Алгоритам линеарне регресије

Имена линеарне регресије сугеришу да је способна да реши проблеме регресије. Циљ ових алгоритама је да се изгради систем који може узети вектор к и предвидети скаларну вредност и као излаз. Једноставним речима, овај алгоритам успоставља однос између улаза и излаза користећи праву линију која најбоље одговара.

и=вТк

Овде је в вектор параметара. Параметри су вредности које контролишу понашање система.

О 'в' можемо размишљати као о скупу пондера који одређују како свака карактеристика утиче на излаз. Карактеристика није ништа друго до карактеристика уноса.

На пример

Рецимо да желимо да имамо систем који је у стању да предвиди цену половних аутомобила. Овде су карактеристике аутомобила за које мислимо да утичу на вредност аутомобила као што су марка, година, ефикасност мотора, капацитет, километража и многе друге информације.

и=в0 * капацитет+в1 * километража +в3 * ефикасност мотора

ако ове карактеристике добију позитивне тежине ви, онда повећање ових пондера повећава вредност нашег предвиђања и обрнуто. Ако су тежине 'ви' велике по величини, онда то има велики утицај на предвиђање. Ако је тежина 'ви' 0 онда то нема утицаја на предвиђање.

Класификација

Класификација је концепт учења под надзором који покушава да предвиди категорије којима улазни подаци припадају. Да би решили проблем класификације, алгоритми учења ће покушати да произведу функцију нешто попут ф:Р-{1,2,…к}. Једноставним речима, када је излаз варијабилан је категорија као што је болест или не-болест, тј. у овом проблему излаз је дискретан. На пример, у скупу података Ирис, морамо да предвидимо три класе врста дате три карактеристике (дужина сепала(сл), ширина сепала(св), дужина латице(пл), ширина латице(пв)) у улазу.

Узмимо још један пример препознавања објеката да бисмо га јасно разумели

Овде је улаз слика, а излаз је нумерички код који идентификује објекат на слици.

Постоји велики број класификационих алгоритама. Алгоритми за класификацију укључују логистичку регресију машина за подршку вектора, стабло одлучивања, случајну шуму, итд. Погледајмо неке алгоритме детаљно.

Суппорт Вецтор Мацхине

Машина вектора подршке је алгоритам за учење који се надзире који се може користити и за проблеме класификације и за проблеме регресије, али се углавном користи за проблеме класификације.

С обзиром на скуп података за обуку, од којих је свака означена као једна или друга од две класе, СВМ алгоритам за обуку гради модел који додељује нове примере једној или другој категорији, чинећи га непробабилистичким бинарним линеарним класификатором.

У основи, овај алгоритам покушава да пронађе оптималну хиперравнину на н-димензионалном месту које класификује нове примере. У дводимензионалном простору (када је број улазних карактеристика два) ова хиперраван није ништа друго до линија која дели раван на два дела као што је приказано на слици 3.

Према википедиа

СВМ модел је представљање примера као тачака у простору, мапираних тако да су примери одвојених категорија подељени јасним што је ширим јазом. Нови примери се затим мапирају у исти простор и предвиђају да припадају категорији заснованој на страни јаза на који падају.

Слика 3

СВМ покушава да максимизира маргину између две класе. Максимална маргина се постиже хиперравнином која има највећу удаљеност до најближе тачке података за обуку у било којој класи.

Ово је веома интуитивно за разумевање. На слици видимо да ће све тачке података које падају на страну праве бити означене као једна класа, а тачке које падају на другу страну праве ће бити означене као друга класа. Сада, као што видимо на слици 3, постоји бесконачна количина линија које пролазе између њих.

Па како да знамо која линија има најбоље резултате? Овај алгоритам покушава да изабере линију која не само да раздваја две класе, већ остаје што даље од најближих узорака као што је приказано на слици 3.

Учење без надзора

У контролисаном учењу, циљ је научити мапирање од улаза до излаза чије тачне вредности даје супервизор. У учењу без надзора дају се само улазни подаци и не постоји такав супервизор. Циљ је пронаћи правилности уноса.

Постоји структура улазног простора таква да се неки обрасци јављају чешће од других.

Постоје две главне методе које се користе у учењу без надзора су кластер анализа и главна компонента.

У кластер анализи, циљ је пронаћи груписање улазних података.

Узмимо пример да бисмо јасно разумели

Све компаније имају много података о купцима. Подаци о клијентима садрже демографске податке, као и претходну трансакцију са компанијом. Компанија може бити заинтересована да види дистрибуцију профила своје компаније, да види који тип купаца се често јавља. У таквим сценаријима, груписање додељује клијенте сличне по својим атрибутима у исту групу. Ове груписане групе могу помоћи у одлучивању о стратегијама компаније, на пример услуга и производа, специфичних за различите групе.

Популарни алгоритам за ову анализу кластера је кластерисање К-средстава. Хајде да детаљније разговарамо о К-средствима.

К-значи груписање

Груписање К-средстава је један од популарних и најједноставнијих алгоритама за учење без надзора.

К-средња вредност је алгоритам заснован на центроиду, где израчунавамо растојања датих тачака од центарроида да бисмо доделили тачку кластеру. У К-Меанс-у, сваки кластер је повезан са центром.

Овај алгоритам функционише на следећи начин:

1. Прво иницијализујте к тачака насумично названих средњим вредностима
2. Након тога, категоризујте сваку ставку на најближу средњу вредност и ажурирајте координате средње вредности, које су просеци ставки које су до сада категорисане у тој средини.
3. Поновите ове кораке за дати број итерација и након задатог броја итерација, имамо своје кластере.

Слика:4

Полу-надгледани алгоритам

У надгледаном учењу, видели смо да људи морају ручно да обележавају скуп података. Овај процес је веома скуп јер је обим скупа података веома велик. У учењу без надзора, означени скуп података није потребан, али је његов спектар примене ограничен.

Да би се ухватили у коштац са овим ограничењима, уводи се концепт полунадгледаног учења. У овом стилу учења, алгоритам се обучава комбинацијом мале количине означених података и велике количине неозначених података. Полу-надгледано учење спада између учења под надзором и учења без надзора.

Да би користио неозначене податке, полунадгледани алгоритам претпоставља следећи однос у вези са подацима –

континуитет:Претпоставља се да је већа вероватноћа да ће тачке које су ближе једна другој делити исту излазну ознаку.Кластер:Ако се подаци могу поделити у дискретне кластере, већа је вероватноћа да ће тачке у истом кластеру делити ознаку.разводник:Подаци леже приближно на многострукој димензији много ниже од улазног простора. Ова претпоставка дозвољава коришћење растојања и густина које су дефинисане на а многоструко .

Ова три типа стилова учења, односно учење под надзором, учење без надзора и полунадгледано учење, можемо разумети у односу на стварни свет.

Учење под надзором где је ученик под надзором наставника. У учењу без надзора где ученик мора сам да схвати концепт. Полунадгледано учење где наставник предаје неколико концепата на часу и даје питања као домаћи задатак која су заснована на сличним концептима.

Учење са појачањем

Учење са појачањем је учење кроз интеракцију са окружењем. Процес учења укључује актера, окружење и сигнал за награду. Глумац бира да предузме акцију у окружењу за које је глумац сходно томе награђен. Овде је излаз система низ акција.

У таквом случају није важна појединачна радња, овде је важан низ корективних радњи за постизање циља. Ово се такође зове политика. Глумац жели да повећа награду коју добија и стога мора научити оптималну и добру политику за интеракцију са окружењем. Добар пример су игре. У игри, један потез сам по себи није важан, он захтева низ правих потеза који је добар (тј. потези воде до победе)

Слика 5: Подешавање учења за појачавање

„Учење са појачањем се веома разликује од других врста учења које смо до сада покрили. Као што смо видели у надгледаном учењу, добијамо податке и ознаке и имамо задатак да предвидимо излаз датих података. У учењу без надзора, добијамо само податке и имамо задатак да пронађемо основну структуру у подацима. У појачању нам се не дају ни подаци ни етикете.

Примене учења са поткрепљењем су

1. Самовозећи аутомобил
2. Роботска контрола мотора
3. Контрола клима уређаја
4. Оптимизација пласмана огласа
5. Стратегије трговања на берзи
6. Играње игре

Дубоко учење

Када анализирамо слику аутомобила, онда је појединачни пиксел на слици црвеног аутомобила ноћу веома близу црном. Овај пример вам може дати увид у потешкоће са којима се суочавају многе апликације вештачке интелигенције. Веома је тешко издвојити тако висок ниво и апстрактне карактеристике јер то захтева разумевање на нивоу човека.

Дубоко учење решава овај проблем правећи сложене функције од једноставне. Најосновнији пример модела дубоког учења је вишеслојни перцептрон. Вишеслојни перцептрон је само математичка функција која пресликава улазне вредности на излазне вредности. Ова функција се састоји од много једноставнијих функција.

Дубоко учење је посебна врста машинског учења која постиже велику моћ и флексибилност представљањем света као угнежђене хијерархије концепата. Сваки концепт је дефинисан у односу на једноставније концепте, а апстрактније представе израчунате у терминима мање апстрактних.

Алгоритми дубоког учења као што су дубока неуронска мрежа, дубока мрежа веровања, конволуциона неуронска мрежа, рекурентна неуронска мрежа примењени су на поља укључујући компјутерски вид, препознавање говора, обраду природног језика и још много тога

Дубока неуронска мрежа

Дубока неуронска мрежа је инспирисана функцијом људског мозга и начином на који он функционише. Основни градивни блок дубоких неуронских мрежа су чворови. Чворови су као неурони људског мозга. Када их стимуланс погоди, у чвору се одвија процес. Генерално, чворови су груписани у слојеве као што је приказано на слици 6.

Слика 6: Дубока неуронска мрежа

Постоје различите врсте дубоких неуронских мрежа и разлике између њих леже у њиховим принципима рада, шеми деловања и областима примене.

Конволуционе неуронске мреже (ЦНН): Углавном се користи за препознавање слика јер нема потребе да се проверавају сви пиксели један по један. ЦНН се састоје од улазног слоја, излазног слоја и скривених слојева. Скривени слојеви се обично састоје од конволуционих слојева, слојева за удруживање и потпуно повезаних слојева. Конволуцијски слојеви и слојеви максималног скупљања делују као екстрактор обележја и потпуно повезани слој који врши нелинеарне трансформације екстрахованих карактеристика и делује као класификатор. Конволуцијски слојеви примењују операцију конволуције на улаз. Слој за удруживање се користи одмах након конволуционог слоја да би се смањила просторна величина (само ширина и висина, не и дубина). Ово смањује број параметара и самим тим се смањује израчунавање, као и помаже да детектори карактеристика буду инваријантнији у односу на његову позицију у улазу. Лако је разумети операцију конволуције са овом анимацијом

Рекурентна неуронска мрежа (РНН):Рекурентне неуронске мреже су класа неуронских мрежа које омогућавају да се претходни излази користе као улази у модел. Први пут је представљен 1980-их. РНН-ови се разликују од неуронских мрежа са прослеђивањем унапред јер користе посебан тип неуронске мреже, познат као рекурентни слој. Главна идеја која стоји иза рекурентне неуронске мреже је да се користе секвенцијалне информације. У традиционалној неуронској мрежи као што је ЦНН, претпоставили смо да су сви улази и излази независни један од другог. Али за многе задатке за које није добра идеја претпоставити ово. Претпоставимо, ако желимо да предвидимо следећу реч у реченици онда је боље да знамо које су речи биле пре ње. РНН се називају рекурентним јер обављају исти задатак за сваки елемент низа, при чему излаз зависи од претходних израчунавања. Једноставним речима, РНН имају меморију која хвата информације о томе шта је до сада израчунато. У теорији, РНН су у стању да користе информације у дугим секвенцама, али у пракси су ограничени на гледање уназад само неколико корака.

Да видимо однос између вештачке интелигенције, машинског учења и дубоког учења користећи Венов дијаграм

Слика 7: Ова слика приказује однос између дубоког учења, машинског учења и вештачке интелигенције.

Примене вештачке интелигенције

Постоји много различитих поља у којима се АИ користи. Области укључују маркетинг, банкарство, финансије, пољопривреду, здравство, игре на срећу, истраживање свемира, аутономна возила, цхат ботове, вештачку креативност итд.

Хајде да истражимо поље маркетинга и банкарства.

Маркетинг

У првим данима (када вештачка интелигенција није у примени. Постоји само у књигама), ако желимо да купимо неки производ из онлајн продавнице онда морамо да претражимо производ са његовим тачним именом. Тако да је веома тешко пронаћи производ ако не знамо тачан назив производа.

Али данас када тражимо било коју ставку у било којој продавници е-трговине, добијамо све могуће резултате у вези са тим артиклом. Не морамо да се бринемо о тачном писању или називу производа да бисмо пронашли производ. Други пример је проналажење правих филмова на Нетфлик-у.

Апликација није ограничена на проналажење правог производа. Напредак АИ је у могућности да препоручи производ на основу вашег интересовања анализирајући вашу претходну трансакцију и укус куповине ствари. Према овим подацима, АИ је у стању да зна која врста производа је релевантна за вас и на основу тога ће филтрирати производ и препоручити вам га.

На овај начин, АИ игра главну улогу у маркетингу и повећању продаје производа на мрежи, а самим тим и компанија за е-трговину као што је Флипкарт, Амазон , или компаније попут Нетфлик-а користе моћ вештачке интелигенције да продају своје производе са врло лакоћом и остваре профит.

Банкарство

У банкарском сектору систем вештачке интелигенције расте брже. Многе банке су већ усвојиле АИ систем за пружање различитих услуга као што су корисничка подршка, откривање аномалија, преваре са кредитним картицама.

Узмимо пример ХДФЦ банке. Развили су четбот заснован на вештачкој интелигенцији под називом Елецтрониц Виртуал Ассистант (ЕВА). Овај цхатбот је већ одговорио на преко 3 милиона упита клијената. Ева може дати једноставне одговоре за мање од 0,4 секунде. Банк оф Америца има свој цхатбот име Ерица. Америцан Екпресс користи своје АмЕКС цхат ботове у корист својих клијената.

МастерЦард и РБС ВорлдПаи су користили вештачку интелигенцију и дубоко учење за откривање лажних трансакција и спречавање преваре са картицама. Овај АИ систем је уштедео милионе долара. Алгоритми за откривање превара засновани на вештачкој интелигенцији су тачнији у откривању преваре са тачношћу већом од 95%. Имају способност да се брзо прилагоде како би открили нове покушаје преваре у реалном времену.

Најважнија примена вештачке интелигенције у банкарству је управљање ризиком јер процене показују да просечни губитак трговаца услед напада превара износи 1,5% њиховог годишњег прихода. ЈПМорган је такође почео да користи АИ технике за развој система раног упозорења који открива злонамерни софтвер, тројанце и вирусе. Овај систем за откривање наводно идентификује сумњиво понашање много пре него што се е-поруке за превару заправо шаљу запосленима.

Препоручени чланци

• Шта је Унсецапп.еке и да ли је безбедно?
• 15 најбољих алата и софтвера за УМЛ дијаграме
• [ИСПРАВЉЕНО] Виндовс не може да приступи наведеном уређају, путањи или грешци у датотеци
• 16 поправки за Виндовс Упдате не ради у Виндовс-у
• 4 поправке за АМД Радеон подешавања се неће отворити
• Алат за зумирање екрана: савети и трикови