AI для всех?. Dmitriy Inspirer

Чтение книги онлайн.

      Обучение без учителя (unsupervised learning) – это метод машинного обучения, при котором модель работает с неразмеченными данными и пытается найти закономерности или структуру в этих данных. Это может быть полезно, например, для группировки пользователей с похожими интересами или для выявления скрытых трендов в данных.

      Заключение

      В этой главе мы рассмотрели некоторые из самых важных терминов и понятий, которые составляют основу искусственного интеллекта. Понимание этих основ поможет вам легче ориентироваться в мире AI и оценивать, как эти технологии влияют на различные сферы жизни. В следующих главах мы углубимся в более конкретные примеры и применения AI, чтобы показать, как эти понятия реализуются в реальных системах и продуктах.

      Глава 4. Как AI учится: алгоритмы и модели

      Искусственный интеллект (AI) не работает как обычная программа, где для выполнения каждой задачи требуется строгая последовательность инструкций. Вместо этого AI учится на основе данных, обнаруживает закономерности и адаптируется, чтобы улучшить свои прогнозы или решения. В этой главе мы рассмотрим, как именно AI учится, какие алгоритмы и модели лежат в основе этого процесса, а также как их можно применять в реальных задачах.

      1. Алгоритмы машинного обучения

      Машинное обучение (ML) – это основной способ, с помощью которого AI обучается. В отличие от традиционного программирования, где каждое действие четко прописано, в машинном обучении алгоритмы могут самостоятельно выявлять закономерности в данных и совершенствовать свою работу с каждым новым примером. Рассмотрим несколько ключевых типов алгоритмов машинного обучения.

      a) Алгоритм обучения с учителем (Supervised Learning)

      Алгоритм обучения с учителем использует размеченные данные для обучения модели. Это значит, что для каждой обучающей выборки известен правильный ответ, и задача алгоритма – на основе этих данных научиться предсказывать ответ для новых, незнакомых примеров.

      Пример: Представьте, что вы хотите обучить модель распознавать фотографии котов и собак. Для этого вы предоставляете модели большое количество изображений, на которых уже указано, есть ли на них кот или собака. Модель анализирует изображения, ищет различия между ними и использует эти различия для классификации новых изображений.

      Пример алгоритмов:

      – Линейная регрессия: используется для прогнозирования числовых значений (например, предсказание стоимости недвижимости на основе различных характеристик).

      – Логистическая регрессия: применяется для бинарных классификаций, например, для того, чтобы определить, является ли сообщение спамом или нет.

      – Метод опорных векторов (SVM): используется для классификации и регрессии, обучая модель разделять данные на различные категории.

      b) Алгоритм обучения без учителя (Unsupervised Learning)

      В отличие СКАЧАТЬ