105. Понятие машинного обучения и искусственного интеллекта. Решаемые задачи.

Искусственный интеллект — 1) наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ; 2) свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека.

Можно выделить два основных подхода к разработке ИИ:

1) Нисходящий, семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество.

2) Восходящий, биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер.

Решаемые задачи по конкретным областям:

• Символьное моделирование мыслительных процессов (моделирование рассуждений) - создание символьных систем, на входе которых поставлена некая задача, а на выходе требуется её решение.

  • Автоматическое доказательство теорем

  • Автоматическое принятие решений

  • Теория игр

  • Автоматическое планирование и диспетчеризация

  • Прогнозирование

• Работа с естественными языками (обработка естественного языка) — анализ возможностей понимания, обработки и генерации текстов на «человеческом» языке.

  • информационный поиск — процесс поиска неструктурированной документальной информации, удовлетворяющей информационные потребности, и наука об этом поиске.

    • Полнотекстовый поиск

    • Поиск по метаданным

    • Поиск изображений

  • машинный перевод — перевод текстов (письменных, а в идеале и устных) с одного естественного языка на другой с помощью специальной компьютерной программы

• Представление и использование знаний — получение знаний из простой информации, их систематизация и использование. Это направление исторически связано с созданием экспертных систем — программ, использующих специализированные базы знаний для получения достоверных заключений по какой-либо проблеме. Производство знаний из данных — одна из базовых проблем интеллектуального анализа данных.

• Машинное обучение — самостоятельное получение знаний интеллектуальной системой в процессе её работы.

• Биологическое моделирование искусственного интеллекта:

  • Нейронные сети используются для решения нечётких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов.

  • Генетический подход основан на идее, что некий алгоритм может стать более эффективным, если позаимствует лучшие характеристики у других алгоритмов («родителей»).

  • Агентный подход — создание автономной программы — агента, взаимодействующей с внешней средой

• Робототехника — интеллектуальность требуется роботам, чтобы манипулировать объектами, выполнять навигацию с проблемами локализации (определять местонахождение, изучать ближайшие области) и планировать движение (как добраться до цели)

• Машинное творчество — проблемы написания компьютером музыки, литературных произведений, художественное творчество.

Машинное обучение — обширный подраздел искусственного интеллекта. Совокупность математических методов, позволяющих получать решение некоторых задач с помощью общих алгоритмов, не написанных специально под решаемую задачу.

Типы обучения

1) Индуктивное обучение (Обучение по прецедентам) основано на выявлении закономерностей в эмпирических данных.

2) Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.

Решаемые задачи

• 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