Машинное обучение (1)

1.

Обзор методов машинного
обучения: с учителем, без учителя и
с подкреплением
Классификация и ключевые задачи трёх основных парадигм
машинного обучения.
Семенихина Дарья, группа о-Э25/ЭФ-У ;Борзенков Николай, группа о-Э24/ЭФ01

2.

Истоки и теория
развития машинного
обучения
Машинное обучение развивается с 1950-х
годов: от простейших моделей до сложных
сетей. Теоретический фундамент —
статистика, теория вероятностей,
оптимизация. Рост вычислительных
ресурсов и объёма данных ускорил
прогресс.
2

3.

Принципы и алгоритмы обучения с учителем
Работа с размеченными
данными
Обучение с учителем использует
метки для обучения моделей
классификации и регрессии. Цель —
выстроить функцию,
предсказывающую выход по
входным данным с минимальной
ошибкой.
3
Основные алгоритмы
Пример: классификация
изображений
Часто применяют деревья решений,
метод опорных векторов и глубокие
нейронные сети. Каждый алгоритм
имеет специфические преимущества
для различных типов и масштабов
задач.
Используется сверточная нейросеть,
которая выявляет характерные
признаки изображений, оптимизируя
параметры на размеченных
выборках для точного распознавания
объектов.

4.

Сравнение точности моделей обучения с
учителем
Влияние оптимизации гиперпараметров и размеров
обучающих выборок существенно меняет качество
предсказаний.
Сверточные нейросети достигают наивысшей
точности, демонстрируя эффективность обучения на
больших размеченных данных.
4
Обзоры результатов на MNIST и CIFAR-10, 2023

5.

Обучение без учителя: ключевые методы и задачи
Метод k-средних широко применяется для
разбиения данных на кластеры с минимизацией
внутрикластерной дисперсии.
Иерархическая кластеризация и DBSCAN
выявляют сложную структуру данных без
необходимости задавать число кластеров заранее.
Снижение размерности, такие как PCA и t-SNE,
упрощают визуализацию и выявляют скрытые
закономерности без меток.
5

6.

Сравнительная оценка методов обучения без
учителя
Основные методы по вычислительной сложности,
устойчивости к параметрам и шуму.
Выбор метода зависит от структуры данных:
DBSCAN эффективен для шумных наборов, PCA и tSNE — для визуализации.
6
Аналитический обзор, 2024

7.

Основы и задачи обучения с подкреплением
7
Компоненты модели обучения с
подкреплением
Баланс исследования и
использования
Пример: обучение игре в шахматы
Агент взаимодействует со средой, оценивая состояния,
принимая действия и получая вознаграждение. Цель —
максимизировать суммарное вознаграждение в долгосрочной
перспективе.
Агент должен исследовать новые стратегии, одновременно
используя накопленные знания для оптимального поведения,
что требует компромиссных алгоритмов и подходов.
Агент учится на примере партий, улучшая стратегию через
пробные действия и анализ результатов, что ведёт к
постепенному усовершенствованию навыков.

8.

График вознаграждения во времени при
обучении с подкреплением
Параметры обучения, такие как скорость
обновления и коэффициент дисконтирования,
влияют на темп и стабильность освоения стратегии.
Вознаграждение растёт по мере формирования
эффективной политики, отражая баланс между
исследованием и использованием.
8
Эксперименты OpenAI Gym, 2024

9.

Анализ и применение методов машинного
обучения
Обучение с учителем широко
используется в медицине для
диагностики и прогнозирования на
основе обученных моделей.
Обучение с подкреплением
востребовано в робототехнике и
игровых симуляторах для
формирования адаптивного
поведения агентов.
9
Методы без учителя находят
применение в маркетинге для
сегментации клиентов и
обнаружения аномалий в данных.
Интеграция подходов позволяет
создавать гибридные системы с
улучшенной точностью и
адаптивностью к сложным задачам.

10.

Перспективы развития
машинного обучения
Эффективный выбор метода зависит от задачи и данных.
Комбинированные подходы, объяснимое ИИ и совершенствование
обучения открывают новые горизонты развития.

11.

Источники
• Inductive Logic Programming: Theory and Methods / Стефен
Маглетон
• Машинное обучение / Хенрик Бринк
• Introduction to Machine Learning / Нильс Джон Нильссон
• Learning From Data / Ясер Абу-Мустафа

12.

Спасибо за внимание!