Машинное обучение
Что такое Машинное обучение
Как работает Машинное обучение
Искусственные нейронные сети
Чем отличаются данные от знаний?
Данные
Данные и Знания
Данные и Знания
Что такое машинное обучение?
Машинное обучение
Машинное обучение
Простой пример
Простой пример
Простой пример
Простой пример
Простой пример
Простой пример
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Как решаем?
Пример из жизни
Что еще может ML?
Пример из жизни
Пример из жизни
Пример из жизни
Пример из жизни
Пример из жизни
А если данные не структурированы?
Что такое глубокое обучение?
Нейронные сети
Нейронные сети
Пример из жизни
Пример из жизни
Пример из жизни
Пример из жизни
Пример из жизни
Пример из жизни
Пример из жизни
Пример из жизни
Пример из жизни
Пример из жизни
Умный холодильник SmartKi
Какие задачи решает глубокое обучение?
Спасибо за внимание!
8.71M
Category: informaticsinformatics

Машинное обучение

1. Машинное обучение

Превращение данных в знания
Максим Каськов
PureMind

2. Что такое Машинное обучение

Максим Каськов
PureMind

3. Как работает Машинное обучение

Максим Каськов
PureMind

4. Искусственные нейронные сети

Максим Каськов
PureMind

5. Чем отличаются данные от знаний?

Максим Каськов
PureMind

6. Данные

Таблицы
Текст
Сигналы
Звук
Изображения
Видео
Максим Каськов
PureMind

7. Данные и Знания

Таблицы
Текст
Сигналы
Звук
Изображения
Видео
Максим Каськов
PureMind

8. Данные и Знания

Данные – совокупность зафиксированных фактов
Информация – сведения, уменьшающие
неопределённость
Знания – сведения, позволяющие действовать с
прогнозируемым результатом
Типичная проблема:
Мы располагаем данными, они хранятся в цифровом
виде, но мы не знаем, что в них.
Максим Каськов
PureMind

9. Что такое машинное обучение?

(англ. Machine learning)
подраздел искусственного интеллекта (ИИ),
изучающий методы построения
алгоритмов, способных обучаться.
Максим Каськов
PureMind

10. Машинное обучение

Максим Каськов
PureMind

11. Машинное обучение

Примеры
данных
с закономерностями
Обучающийся
алгоритм
Модель
закономерности
Поиск закономерностей в
новых данных
Максим Каськов
PureMind

12. Простой пример

“Картина мира” через известные нам данные
Максим Каськов
PureMind

13. Простой пример

Синий или красный новый объект?
Максим Каськов
PureMind

14. Простой пример

Максим Каськов
PureMind

15. Простой пример

Максим Каськов
PureMind

16. Простой пример

Шум или выброс?
Максим Каськов
PureMind

17. Простой пример

Ошибка?
Максим Каськов
PureMind

18. Машинное обучение

F : X -> Y
Признаки (Х)
Целевая переменная (Y)
Рост
IQ
Пиво в день
Пол
Ср. бал в школе
Ср. бал в универ.
Курит?
170
128
0
М
4.7
4.4
Нет
195
90
40
М
3.3
3.1
Да
160
111
2
Ж
4.0
3.9
Нет
183
143
0
М
4.8
4.7
Да
158
118
25
Ж
3.7
3.5
Да
178
132
10
М
4.4
?
?
170
120
4
Ж
3.9
?
?
165
100
20
М
3.5
?
?
Максим Каськов
Трен.
Тест.
PureMind

19. Машинное обучение

F : X -> Y
Признаки (Х)
Целевая переменная (Y)
Рост
IQ
Пиво в день
Пол
Ср. бал в школе
Ср. бал в универ.
Курит?
170
128
0
М
4.7
4.4
Нет
195
90
40
М
3.3
3.1
Да
160
111
2
Ж
4.0
3.9
Нет
183
143
0
М
4.8
4.7
Да
158
118
25
Ж
3.7
3.5
Да
178
132
10
М
4.4
?
?
170
120
4
Ж
3.9
?
?
165
100
20
М
3.5
?
?
Трен.
Тест.
Объекты
Максим Каськов
PureMind

20. Машинное обучение

F : X -> Y
Признаки (Х)
Целевая переменная (Y)
Рост
IQ
Пиво в день
Пол
Ср. бал в школе
Ср. бал в универ.
Курит?
170
128
0
М
4.7
4.4
Нет
195
90
40
М
3.3
3.1
Да
160
111
2
Ж
4.0
3.9
Нет
183
143
0
М
4.8
4.7
Да
158
118
25
Ж
3.7
3.5
Да
178
132
10
М
4.4
?
?
170
120
4
Ж
3.9
?
?
165
100
20
М
3.5
?
?
Объекты
Трен.
Тест.
Метки
Максим Каськов
PureMind

21. Машинное обучение

F : X -> Y
Признаки (Х)
Целевая переменная (Y)
Рост
IQ
Пиво в день
Пол
Ср. бал в школе
Ср. бал в универ.
Курит?
170
128
0
М
4.7
4.4
Нет
195
90
40
М
3.3
3.1
Да
160
111
2
Ж
4.0
3.9
Нет
183
143
0
М
4.8
4.7
Да
158
118
25
Ж
3.7
3.5
Да
178
132
10
М
4.4
?
?
170
120
4
Ж
3.9
?
?
165
100
20
М
3.5
?
?
Регрессия
Классификация
Объекты
Максим Каськов
Трен.
Тест.
PureMind

22. Как решаем?

Окончательная
модель
Максим Каськов
PureMind

23. Пример из жизни

Спам
Электронная
почта
Алгоритм
машинного
обучения
Не спам
Максим Каськов
PureMind

24. Что еще может ML?

• Классифицировать
• Давать вещественный ответ (регрессия)
• Прогнозировать
• Ранжировать
• Фильтровать выбросы
• Находить наиболее значимые показатели
• Давать рекомендации
и многое другое
Максим Каськов
PureMind

25. Пример из жизни

Прогнозирование состояния дорожного полотна на 6 и 24 часа
Координаты
интересующих
дорог
Текущая погода
с погодных станций
Предобработка
данных
Прогнозы
погоды
по интересующим
координатам
Модель
Предсказание
состояния
Сухое
Влажное
Лед
Снег
Максим Каськов
PureMind

26. Пример из жизни

Прогнозирование состояния дорожного полотна на 6 и 24 часа
Прогнозы
погоды
Координаты
интересующих
дорог
Текущая погода
с погодных станций
Фактическое
состояние
по интересующим
координатам
Предобработка
данных
Предобработка
данных
Модель
Обучение
нескольких
моделей
Предсказание
состояния
Сухое
Влажное
Лед
Снег
Тестирование и
сравнение
моделей
Максим Каськов
PureMind

27. Пример из жизни

Погодные наблюдения
1930 – текущее время
~ 800 станций в РФ
измерение каждый 3 ч.
MAE: 1.8 °C
Максим Каськов
PureMind

28. Пример из жизни

Прогнозирование поломок оборудования
и возникновения внештатных ситуаций
Максим Каськов
PureMind

29. Пример из жизни

Прогнозирование поломок оборудования
и возникновения внештатных ситуаций
Сигналы в
реальном
времени
Предобработка
Очистка сигналов,
синхронизация,
формирование доп.
параметров и др.
Формирование
входного вида
данных
Оценка
алгоритмом
критериев
состояний
Прогноз
Вектор, массив,
временной ряд, bitmap
Максим Каськов
PureMind

30. А если данные не структурированы?

Максим Каськов
PureMind

31. Что такое глубокое обучение?

(англ. Deep learning)
набор алгоритмов машинного
обучения, основанных на
изучении множества уровней
представления.
Множество уровней
представления означают
множество уровней абстракции.
Максим Каськов
PureMind

32. Нейронные сети

(англ. Neural network)
математическая модель, построенная по принципу организации
биологических нейронных сетей живых организмов.
Максим Каськов
PureMind

33. Нейронные сети

AlexNet
Максим Каськов
PureMind

34. Пример из жизни

Формирование конкурсной документации
Задачи
• Возможность накапливать опыт специалистов и переиспользовать его
• Автоматизация подготовки и проверки документов
• Сокращение времени на подготовку документа
Максим Каськов
PureMind

35. Пример из жизни

Формирование конкурсной документации
Пример
Стул цвет красный или синий
Стул высота 400 – 500 мм
Стул материал ДПС, дерево, фанера
Стол должен быть изготовлен из
дерева или фанеры, высотой от 60см
до 80см, покрашен краской зеленого
или синего цвета
→…
→…
→…
→…
Максим Каськов
PureMind

36. Пример из жизни

Формирование конкурсной документации
Пример
Стул цвет красный или синий
Стул высота 400 – 500 мм
Стул материал ДПС, дерево, фанера
Стол должен быть изготовлен из
дерева или фанеры, высотой от 60см
до 80см, покрашен краской зеленого
или синего цвета
→ Стул цвет красный
→…
→…
→…
Максим Каськов
PureMind

37. Пример из жизни

Алгоритм Sequence-to-sequence

Стул
цвет
красный
Стул
цвет
красный
<EOS>
<EOS>
Максим Каськов
PureMind

38. Пример из жизни

Формирование документации
Возможности
• Обработка строк
• Генерация строк
• Выделение из текста значимых частей
• Исправление ошибок (в т.ч. смысловых)
• Выходной контроль
Максим Каськов
PureMind

39. Пример из жизни

Формирование документации
Проблемы
• Генерация строк требует обучающей базы >1млн. записей
• Помнит и хранит контекст до 100 слов
Достижения
• Разбиение текста на значимые единицы
• Выходной контроль
Максим Каськов
PureMind

40. Пример из жизни

Формирование конкурсной документации
Пример
Стул цвет красный или синий
Стул высота 400 – 500 мм
Стул материал ДПС, дерево, фанера
Стол должен быть изготовлен из
дерева или фанеры, высотой от 60см
до 80см, покрашен краской зеленого
или синего цвета
→ Стул цвет красный
→ Стул высота 0,5 м
→ Стул материал дерево
→ Стол изготовлен из дерева,
высотой 0,8м, покрашен краской
зеленого цвета
Максим Каськов
PureMind

41. Пример из жизни

Сегментация космических снимков
Максим Каськов
PureMind

42. Пример из жизни

Сегментация космических снимков
Космические снимки
• ортогональные 4х-канальные (RBG+NIR)
• с разрешением 0,5-1м на пиксель
Обрабатываемые типы объектов:
• дороги
• постройки
• деревья (лес)
• травяное(растительное) покрытие
• земля (пашня)
• вода
• железные дороги
Максим Каськов
PureMind

43. Пример из жизни

Сегментация космических снимков
Максим Каськов
PureMind

44. Умный холодильник SmartKi

*самостоятельно распознает продукты
Максим Каськов
PureMind

45. Какие задачи решает глубокое обучение?

Компьютерное зрение (computer vision)
Распознавание речи (speech recognition)
Обработка естественных языков (natural language processing - NLP)
Медицинская диагностика и Биоинформатика
Финансовые приложения
Обработка текстов и документов
Защита данных и выявление мошенничества
Персональная безопасность
Рекомендации и персонализированный маркетинг
Интеллектуальные автомобили и роботы
Техническая диагностика
Информационный поиск
Интеллектуальные игры
Максим Каськов
PureMind

46. Спасибо за внимание!

Максим Каськов
[email protected]
+7(917)1272092
max8mk
http://PureMind.tech
English     Русский Rules