Искусственный интеллект. Сценарий №1

Машинное обучение — про алгоритмы, которые находят в данных правила и закономерности
Алгоритмы машинного обучения — это двигатели
Данные — это топливо
О каких алгоритмах идёт речь?

x
y
объекты
ответы
Часы
Минуты
Как перевести часы в минуты?
1,5
6
2
90
360
120
…
…
y=60×x
f(x)

x
y
объекты
ответы
Масса, кг
Сила, Н
F=m×a
0,2
2,7
1
0,1
54
9,8
…
…
Ускорение, м/с2
0,5
20
9,8
…
y=x1×x2
f(x)

x
y
объекты
ответы
Что делать, если у нас есть
x и y, но формула f неизвестна?
f(x)
?

x
y
объекты
ответы
f(x)
Текст отзыва
Эмоциональный окрас отзыва
«Видео нормас ?»
«Да вы &#@$%#»
Положительная, +
Отрицательная, −
?

x
y
объекты
ответы
Суть машинного обучения — всегда можно приблизить f на основе данных об x и y.
f(x)
y≈f(x)

Обучение
с учителем
x , y
f(x)
объекты
ответы
y≈f(x)
математическая модель
все данные
учитель
Чем больше данных — тем лучше

Этапы машинного обучения
1. Построение модели
2. Применение модели
все данные
(x,y)
модель
f(x)
Математическая модель и есть результат
f(x)
все данные
(x,y)
модель
y≈f(x)

Задача классификации — когда ответы это метки. Объекты могут быть чем угодно.
Определение эмоционального окраса текста
Распознавание изображений рукописных цифр
Текст, набор слов
2 класса
Картинка 28×28
10 классов цифр
«Видео нормас ?»
«Да вы &#@$%#»
+
−
5
1
4
0

Модели — математические формулы.
Их десятки тысяч, но можно выделить
3 самых популярных класса:
Линейные модели
Деревья решений
Нейронные сети

Пример данных:
Объекты (x):
x1, x2 — координаты
Объекты (y):
, — цвет точки
(классификация на два класса)

Линейная модель — простейшая
формула, задает прямую линию с весами
y = a1×x1 + a2×x2 + … + b
a1, a2, …, b — числа, веса
сумма больше нуля — один класс
иначе — другой класс

Обученная линейная модель
y=2,2×x1+0,7×x2-0,5
— ошибка модели

Дерево решений — задает набор правил,
записанных в компактной форме
X1>1
X2<1
X2>2
2
класс
2
класс
1
класс
1
класс
Если x1>1 и x2<1, то
Если x1>1 и x2≥1, то
Если x1≤1 и x2>2, то
Если x1≤1 и x2≤2, то
да
нет
да
нет
да
нет

X2<1,1
Обученное дерево решений
X2>−1
X1<−1,1
X1>−0,5
да
нет
да
нет
да
нет
да
нет

X2<1,1
X2>2
Обученное дерево решений
X2>−1
X1<−1,1
X1>−0,5
X1=−0,5
X2=1,1
X1=−1,1
X2=−1
да
нет
да
нет
да
нет
да
нет

нет
да
да
да
нет
нет

Строим дерево решений
X1<1,25
X2>0,85
4 ошибки
5 ошибок

Дерево решений на примере
X2>0,5
X1<1,25
X2>0,85
X1<0,95
да
нет
да
нет
да
нет
да
нет
2 класс
1 класс
1 класс
2 класс
2 класс

Глубина деревьев решений
Глубина 1
Глубина 2
Глубина 4
Глубина деревьев — настраиваемый гиперпараметр

Задача машинного обучения
x
y
f(x)
x1 — атм. давление
x2 — влажность воздуха
метка класса
«дождь» / «нет дождя»

дождь
нет дождя

область предсказания: нет дождя
область предсказания: был дождь
Влажность >59,5
да
нет
Глубина 1

Глубина 2
→ 17 ошибок
(найдите сами)

Всего 11 ошибок!
Почти в два раза меньше, чем в дереве с глубиной 1
Глубина 4

Глубина 4
Влажность >59,5
Давление >1031
Давление ≤1010,5
Влажность >87,5
Давление >1020,5
Давление >1020,5
Влажность >47,5
да
нет
да
нет
да
нет
да
нет
да
нет
да
нет
да
нет

Тестируем наши обученные модели (деревья) на новых данных
Глубина 1
Глубина 2
Глубина 4

Переносим новые данные на каждую модель

Что получилось?
Глубина 1
3 ошибки

Что получилось?
Глубина 2
2 ошибки

Что получилось?
Глубина 4
Снова
3 ошибки!

Глубина 1
Глубина 2
Глубина 4
3 ошибки
3 ошибки
2 ошибки —
лучший результат