Искусственный интеллект. Сценарий №1

Содержание

Слайд 2

Машинное обучение — про алгоритмы, которые находят в данных правила и закономерности

Алгоритмы

Машинное обучение — про алгоритмы, которые находят в данных правила и закономерности
машинного обучения — это двигатели

Данные — это топливо

О каких алгоритмах идёт речь?

Слайд 3

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 Часы Минуты Как перевести часы в минуты? 1,5

Слайд 4

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 Масса, кг Сила, Н F=m×a 0,2 2,7 1

Слайд 5

x

y

объекты

ответы

Что делать, если у нас есть
x и y, но формула f неизвестна?

f(x)

?

x y объекты ответы Что делать, если у нас есть x и

Слайд 6

x

y

объекты

ответы

f(x)

Текст отзыва

Эмоциональный окрас отзыва

«Видео нормас ?»

«Да вы &#@$%#»

Положительная, +

Отрицательная, −

?

x y объекты ответы f(x) Текст отзыва Эмоциональный окрас отзыва «Видео нормас

Слайд 7

x

y

объекты

ответы

Суть машинного обучения — всегда можно приблизить f на основе данных об

x y объекты ответы Суть машинного обучения — всегда можно приблизить f
x и y.

f(x)

y≈f(x)

Слайд 8

Обучение
с учителем

x , y

f(x)

объекты

ответы

y≈f(x)

математическая модель

все данные

учитель

Чем больше данных — тем лучше

Обучение с учителем x , y f(x) объекты ответы y≈f(x) математическая модель

Слайд 9

Этапы машинного обучения

1. Построение модели

2. Применение модели

все данные
(x,y)

модель
f(x)

Математическая модель и есть результат

f(x)

все

Этапы машинного обучения 1. Построение модели 2. Применение модели все данные (x,y)
данные
(x,y)

модель
y≈f(x)

Слайд 10

Задача классификации — когда ответы это метки. Объекты могут быть чем угодно.

Определение

Задача классификации — когда ответы это метки. Объекты могут быть чем угодно.
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

Слайд 11

Модели — математические формулы. Их десятки тысяч, но можно выделить 3 самых популярных

Модели — математические формулы. Их десятки тысяч, но можно выделить 3 самых
класса:

Линейные модели

Деревья решений

Нейронные сети

Слайд 12

Пример данных:

Объекты (x):
x1, x2 — координаты

Объекты (y):
, — цвет точки

(классификация на

Пример данных: Объекты (x): x1, x2 — координаты Объекты (y): , —
два класса)

Слайд 13

Линейная модель — простейшая формула, задает прямую линию с весами

y = a1×x1

Линейная модель — простейшая формула, задает прямую линию с весами y =
+ a2×x2 + … + b

a1, a2, …, b — числа, веса

сумма больше нуля — один класс
иначе — другой класс

Слайд 14

Обученная линейная модель

y=2,2×x1+0,7×x2-0,5

— ошибка модели

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

Слайд 15

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

Дерево решений — задает набор правил, записанных в компактной форме X1>1 X2
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

Слайд 16

X2<1,1

Обученное дерево решений

X2>−1

X1<−1,1

X1>−0,5

да

нет

да

нет

да

нет

да

нет

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

Слайд 17

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

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

Слайд 18

нет

да

да

да

нет

нет

нет да да да нет нет

Слайд 19

Строим дерево решений

X1<1,25

X2>0,85

4 ошибки

5 ошибок

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

Слайд 20

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

Дерево решений на примере X2>0,5 X1 X2>0,85 X1 да нет да нет

Слайд 21

Глубина деревьев решений

Глубина 1

Глубина 2

Глубина 4

Глубина деревьев — настраиваемый гиперпараметр

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

Слайд 22

Задача машинного обучения

x

y

f(x)

x1 — атм. давление

x2 — влажность воздуха

метка класса
«дождь» / «нет

Задача машинного обучения x y f(x) x1 — атм. давление x2 —
дождя»

Слайд 23

дождь

нет дождя

дождь нет дождя

Слайд 24

область предсказания: нет дождя

область предсказания: был дождь

Влажность >59,5

да

нет

Глубина 1

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

Слайд 25

Глубина 2

→ 17 ошибок

(найдите сами)

Глубина 2 → 17 ошибок (найдите сами)

Слайд 26

Всего 11 ошибок!

Почти в два раза меньше, чем в дереве с глубиной

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

Глубина 4

Слайд 27

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

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

Слайд 28

Тестируем наши обученные модели (деревья) на новых данных

Глубина 1

Глубина 2

Глубина 4

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

Слайд 29

Переносим новые данные на каждую модель

 

Переносим новые данные на каждую модель

Слайд 30

Что получилось?

Глубина 1

3 ошибки

Что получилось? Глубина 1 3 ошибки

Слайд 31

Что получилось?

Глубина 2

2 ошибки

Что получилось? Глубина 2 2 ошибки

Слайд 32

Что получилось?

Глубина 4

Снова
3 ошибки!

Что получилось? Глубина 4 Снова 3 ошибки!

Слайд 33

Глубина 1

Глубина 2

Глубина 4

3 ошибки

3 ошибки

2 ошибки —
лучший результат

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