Новый метод машинного обучения обучается у людей

Обучение человека и машины

В работе рассмотрены особенности обучения человека и машины, описаны особенности представления знаний при данных типах обучения, эффективность и применимость добычи знаний. Для такого типа обучения как обучение человека рассмотрены особенности, отличающие его от машинного обучения. При учете данных особенностей можно добиться высокой эффективности обучения человека.

Ключевые слова: машинное обучение, обучение человека, эффективное обучение.

Процесс обучения, приобретения знаний имеет свои особенности в зависимости от того, кто эти знания получает: человек или машина. Искусственный интеллект занимается проблемами обучения машины.

Педагогика и когнитивная психология занимаются проблемами обучения человека, выявляя, как и в какой последовательности происходит процесс формирования знаний у человека, чтобы в дальнейшем применить это в процессе обучения.

Активное внедрение информационных технологий в сферу обучения человека, использование смешанного и дистанционного автоматизированного обучения также способствует выявлению новых аспектов в обучении человека, которые ранее не затрагивались.

Обратите внимание

Помимо автоматизированных обучающих систем начинают использоваться интеллектуальные обучающие системы, которые используют методики искусственного интеллекта и позволяют организовать адаптивное обучение. Для управления процессом обучения используются модели предметной области, обучаемого, обучения. Применение адаптивных методик в обучении человека рассмотрено в работах [1], [2], [3].

Машина и человек обучаются по-разному. Сравнивая специфику машинного обучения и обучения человека, можно понять, что должно в первую очередь учитываться для обеспечения эффективного обучения, в какой форме должны даваться знания.

1 Машинное обучение

Машинное обучение используется при анализе текстов на естественном языке, распознавании образов и др.

Например, существуют такие системы как системы автоматической проверки эссе (AES − automated essay scoring systems) [4], которые позволяют проверять стиль и/или содержание эссе студентов.

Но прежде чем проверять работы данные системы проходят этап обучения. Преподаватель загружает сотни примеров для каждого задания и соответствующие оценки, чтобы система смогла обучиться оцениванию.

Знания могут быть представлены в явной и неявной форме. Знания в неявной форме — это экстенсиональные знания. Экстенсиональные знания — это сведения, факты о конкретных объектах предметной области [5]. Знания в явной форме — это готовый алгоритм, сеть, программа.

Добыча знаний — это выявление интенсиональных знаний, правил, связывающих между собой факты. Добыча знаний происходит с помощью формальных методик: статистических, индуктивных, вариантов логики, нейросетей (аппроксимационные подходы). Из фактов индуктивно получаются знания, или используется аппроксимация, если знаний недостаточно.

В случае машинного обучения знания отделяются от носителей и представляются в такой форме, чтобы машина смогла их интерпретировать. У машины правильность результатов гарантируется алгоритмом вывода. Метазнания (знания о том, как приобретать знания) закладываются в машину человеком.

Важно

Таким образом, знания для компьютера могут быть представлены в явной или неявной форме.

2 Обучение человека

Обучение человека, по сравнению с машинным обучением, обладает рядом особенностей. Во-первых, знания должны быть представлены явно. Экстенсиональные знания не подходят для передачи знаний человеку.

Для добычи знания необходимо провести большой объем аналитической, вычислительной работы, а это вызывает у человека трудности.

Самостоятельное формирование результата, получение интенсиональных знаний — задача сложная, требует много времени, больше чем время, отводимое на урок, лекцию или самоподготовку. Работа студента в данном случае ведется на пределе своих возможностей.

При этом результат обучения не может гарантироваться. Студенты могут сделать не те выводы, которые предполагал автор курса, могут получить ошибочные выводы. Чтобы этого избежать автор учебного курса, преподаватель, должен формализовать свои выводы.

При неявном представлении знаний заявленные показатели качества обучения скромные и сомнительные. Люди могут ошибаться или могут не использовать алгоритмы, а также выборка фактов может быть не представительна. Например, есть архив истории болезней. Прочитав весь архив, человек не сможет стать врачом.

В данном случае нужна машина, чтобы формировать интенсионал, знания в явной форме. И только получив последнее, студент сможет выучиться на врача. Чтобы улучшить показатели эффективности обучения, нужно упрощать процесс усвоения знаний, а не усложнять, заставляя студентов добывать знания самостоятельно.

Во-вторых, в обучении должен быть некий процесс, контролирующий процесс приобретения знаний. Должно происходить выявление отклонений в полученных знаниях и их устранение с помощью повторного изучения студентом неусвоенного материала.

Совет

Также необходимо поэтапное представление материала согласно уровню усвоения. В работе [6] описана последовательность освоения деятельности в процессе обучения, разработанная на основе таксономии Блума [7]. Процесс обучения в вузе, согласно данной последовательности представлен на рисунке 1.

Рис. 1. Последовательность обучения в вузе, согласно уровню освоения

В-третьих, у студентов метазнания различны.

В-четвертых, должен учитываться «бэкграунд» студента (багаж знаний, приобретенный студентом к моменту получения нового знания). Знания связаны друг с другом, и отсутствие некоторых из них препятствуют освоению других знаний. К началу обучения у всех студентов «бэкграунд» разный.

Он зависит от того, как знания были сформированы ранее. Должны быть процедуры, позволяющие организовать получение недостающих знаний. Например, студенты-медики, изучая методику проведения полостной операции, должны обладать навыками, как остановить кровотечение.

Из-за индивидуальных особенностей пациента, даже правильно произведенный разрез может привести к кровотечению.

В-пятых, в отличие от машины человек обладает разным типом восприятия информации. Одни лучше воспринимают текст, другие — аудио, третьи — видео и т. д. Поэтому для обеспечения эффективного обучения учебный материал должен быть представлен в разных формах. Тип восприятия обучающихся определяется с помощью тестирования.

В-шестых, студент нуждается в обратной связи, в общении с преподавателем, иметь возможность задавать вопросы и получать ответы.

Также немаловажным является время отклика преподавателя. В процессе решения задачи, у студента могут возникнуть трудности на одном из этапов решения, и он может обратиться с вопросом к преподавателю.

Долгое ожидание, частая безрезультативная проверка, ответил преподаватель или нет (в случае дистанционного обучения), негативно влияют на процесс обучения.

Обратите внимание

Для решения данной проблемы в работе [8] рассмотрена методика оперативного информирования.

Учет данных особенностей при организации процесса обучения человека позволяет добиться высокой эффективности обучения. Дерево целей для обеспечения эффективного обучения человека представлено на рисунке 2:

Рис.2. Дерево целей для обеспечения эффективного обучения человека

Заключение

Были рассмотрены особенности обучения машины и человека. Определены особенности представления знаний при данных типах обучения, эффективность и применимость добычи знаний.

Выявлены основные составляющие обучения человека, которые позволяют добиться высокой эффективности обучения человека: необходимость только явного представления знаний, необходимость контроля приобретения знаний, различие в метазнаниях у разных студентов, разный бэкграунд, и тип восприятия информации у разных студентов, необходимость обратной связи с преподавателем и быстрого отклика.

Литература:

1.                  Шабалина О. А. Модели и методы для управления процессом обучения с помощью адаптивных обучающих систем: дис…. канд. тех. наук: 05.13.10. Астрахань, 2005. 158 с.

Источник: https://moluch.ru/conf/tech/archive/163/8901/

Новый метод машинного обучения от «Яндекс» умеет работать с категориями

Компания «Яндекс» разработала новый метод машинного обучения CatBoost, который позволяет учить модели на разнородных данных – не только числовых, но и категориальных, таких как местонахождение пользователя, история операций и тип устройства.

Ранее во всех сервисах компании использовался внедренный в 2009 году алгоритм машинного обучения «Матрикснет», но он умел работать только с числовыми значениями, такими как рост, вес, давление и т.п.

Если появлялись нечисловые параметры — например, породы собак или типы облаков, их надо было перевести в числа перед использованием, что могло изменить их суть и повлиять на точность работы модели, объяснила архитектор проекта CatBoost Анна Вероника Дорогуш.

Важно

По ее словам, в технологии CatBoost (от англ. Categorical Boosting — «категориальное продвижение») «эту проблему полностью полечили» — алгоритм умеет работать категориями. Он наиболее оптимально превращает их в числа различными способами уже во время обучения.

Еще одна проблема, которая есть у всех алгоритмов машинного обучения, — проблема переобучения.

Это значит, что алгоритм хорошо работает на данных, с которыми он уже имел дело, но на новых данных показывает худший результат.

«Мы придумали новую схему построения градиентного бустинга, которая с этой проблемой борется. За счет этого точность итога получается лучше», — сказала архитектор проекта.

Градиентный бустинг, на котором построена технология CatBoost, — это класс алгоритмов, который применяется для работы с разнородными данными. «Однородные данные — это звук, видео, текст. А разнородные данные — данные из разных источников. Например, для погоды это данные с радаров, метеостанций, исторические данные. Лучше всего для них работает градиентный бустинг», — пояснила Дорогуш.

CatBoost также первый российский метод машинного обучения, библиотеку которого выложили в открытый доступ, и теперь им может воспользоваться любой желающий.

Компания также разработала набор аналитических инструментов для работы с алгоритмом.

«Мы хотим внести свой вклад в развитие машинного обучения», — пояснил Михаил Биленко, руководитель управления машинного интеллекта и исследований «Яндекса».

В «Яндексе» видят множество применений для нового метода — это любая область, где есть разнородные данные из разных источников и нужны предсказания. Например, в медицине, чтобы ставить человеку диагноз на основе многих параметров его здоровья, в банках — для определения платежеспособности клиентов, для прогнозирования погоды.

Новый метод уже протестировали на сервисах «Яндекса». В рамках эксперимента он применялся для улучшения результатов поиска, ранжирования ленты рекомендаций Яндекс.Дзен и для расчета прогноза погоды в технологии «Метеум».

В дальнейшем CatBoost будет работать и на других сервисах. Кроме того, CatBoost внедрил Европейский центр ядерных исследований (ЦЕРН): он использует его для объединения данных, полученных с разных частей детектора LHCb.

Для работы с CatBoost достаточно установить его на свой компьютер. Библиотека поддерживает операционные системы Linux, Windows и macOS и доступна на языках программирования Python и R.

О том, как работает машинное обучение, смотрите на «Чердаке».<\p>

Источник: https://chrdk.ru/news/novyi-metod-mashinnogo-obucheniya-umeet-rabotat-s-kategoriyami

Введение в машинное обучение

Перевод статьи разработчика алгоритмов машинного обучения, бизнес-консультанта и популярного автора Ганта Лаборде «Machine Learning: from Zero to Hero». 

Начнешь c “Зачем?”, придешь к “Я готов!”

Если вы мало знаете об основах машинного обучения, то эта статья как раз для вас. Я буду постепенно излагать введение в машинное обучение, склеивая дружелюбный текст с вдохновляющими примерами. Присядь и расслабься, это займет некоторое время.

Почему машинное обучение сейчас в тренде

Искусственный интеллект (далее ИИ) всегда имел применение, начиная от перемещения ракетки в пинг понге и заканчивая выполнением комбо в Street Fighter.

ИИ опирается на представление программиста о том, как программа должна себя вести. Но как часто становится понятно, не все программисты талантливы в программировании искусственного интеллекта. Стоит только погуглить “эпичные фейлы в играх” и наткнуться на глюки в физике, даже у опытных разработчков.

Несмотря на это, компьютер поддается обучению для игры в видеоигры, понимания языка и распознавания людей и предметов. Этот навык исходит из старой концепции, которая только недавно получила необходимые вычислительные мощности для существования вне теории. Я имею в виду машинное обучение (ML, Machine learning).

Совет

Не продумывайте сложные алгоритмы самостоятельно — обучите компьютер создавать собственные сложные алгоритмы. Как это будет работать? Алгоритм не столько написан, сколько выведен. Посмотри это короткое видео, с помощью анимации оно должно дать понимание общего принципа создания ИИ.

И как возможно такое, что мы даже не понимаем устройство рабочего алгоритма? Прекрасным визуальным примером был ИИ, написанный для прохождения игр Марио. Люди хорошо знают, как нужно играть в сайд-скроллеры, но это безумие пытаться определить стратегию игры для ИИ.

Впечатлены? Как это возможно? К счастью, Элон Маск представил некоммерческую компанию, которая предоставляет возможность подключения ИИ к любым играм и задачам с помощью дюжины строк кода. Посмотрите, как это работает.

Зачем следует использовать машинное обучение?

У меня два ответа на вопрос, почему вас должно это заботить. Во-первых, с помощью машинного обучения компьютеры выполняют задачи, которые раньше они не выполняли. Если хотите создать что-то новое для всего мира, вы можете сделать это, используя машинное обучение.

Во-вторых, если не влияете на мир, мир повлияет на вас. Компании инвестируют в ML, и эти инвестиции уже меняют мир. Лидеры мысли предупреждают, что нельзя позволить алгоритмам машинного обучения быть в тени. Представьте себе, если бы монополия из нескольких корпораций контролировала Интернет. Если мы не “возьмемся за оружие”, наука не будет нашей.

Christian Heilmann высказал правильную мысль в беседе о машинном обучении:

Читайте также:  Учёные предложили новейшие технологии для сельского хозяйства и создали первого биоробота

Хорошо, теперь я заинтересован…

Концепт полезный и веселый. Но что за дичь там в действительности творится? Как это работает? Если хочешь сразу погрузиться, советую пропустить раздел и перейти к следующему “С чего мне начать?”. Если вы уже мотивированы делать модели ML, эти видео не понадобятся.

Если ты все еще пытаешься понять, как такое вообще возможно, следующее видео проведет тебя через логику работы алгоритмов, используя классическую задачу ML — проблему распознавания рукописного текста.

Классно, не правда ли? Видео демонстрирует, что каждый новый слой становится проще, а не сложнее. Будто бы функция пережевывает данные в более мелкие кусочки, которые потом выстраиваются в задуманный концепт. Поиграйтесь с этим процессом здесь.

Занятно наблюдать, как данные проходят через натренированную модель, но ты также можешь пронаблюдать тренировку собственной нейронной сети.

Классический пример машинного обучения в действии — датасет прямиком из 1936-го года, называемый ирисами Фишера. На презентации эксперта JavaFX, посвященной машинному обучению, я узнал, как использовать этот инструмент, чтобы визуализировать прикрепление и обратное распространение весов к нейронам в нейронной сети. Понаблюдайте за тем, как тренируется нейронная сеть.

Обучение нейронной сети Ирисы

Готовы стать Эйнштейном новой эры? Прорывы происходят каждый день, поэтому начинайте сейчас.

С чего мне начать?

Доступных ресурсов много. Я рекомендую два подхода.

Основы

С этим подходом вы поймете машинное обучение вплоть до алгоритмов и математики. Знаю, этот путь кажется тяжким, но зато как круто будет по-настоящему проникнуться в детали и кодить с нуля!

Если хочешь получить силу в этой сфере и вести серьезные обсуждения о ML, то этот путь для тебя. Советую пройти курс по искусственным нейронным сетям. Этот подход позволит вам изучать ML на вашем телефоне, убивая время, например, в очереди. Одновременной проходите курс о машинном обучении.

Обратите внимание

Курсы могут показаться слишком сложными. Для многих это причина не начинать, но для других это повод пройти это испытание и получить сертификат о том, что вы справились. Все вокруг будут впечатлены, если справитесь, потому что это действительно не просто. Но если вы это сделаете, получите понимание о работе ML, которое позволит вам успешно применять его.

Бесплатный курс Константина Воронцова Введение в машинное обучение от Yandex ШАД и ВШЭ доступен на Coursera.

Гонщик

Если вы не заинтересованы в написании алгоритмов, но хотите использовать их для создания сайтов и приложений, то используйте TensorFlow и погрузитесь в crash course.

TensorFlow — это библиотека с открытым исходным кодом для машинного обучения. Ее можно использовать любым способом, даже с JavaScript.

Услуги ML

Если проходить курсы не ваш стиль, то пользуйтесь ML как услугой. Технические гиганты владеют натренированными моделями, а сектор услуг по машинному обучению растет.

Источник: https://neurohive.io/ru/osnovy-data-science/vvedenie-v-mashinnoe-obuchenie-kto-ego-primenjaet-i-kak-stat-razrabotchikom/

Обучение машин: что такое machine learning и как им овладеть

Простой анализ может показать, что твиттер президента Трампа ведут президент и его помощник, причем Трамп ответственен за наиболее сердитые твиты. Методы машинного обучения позволяют делать более сложные выводы. Система получает миллионы записей или объектов, обнаруживает в данных закономерности и использует их, чтобы предсказывать свойства новых данных.

Если упрощать, системы машинного обучения учатся на данных, словно ребенок, который пытается отличить кошку от собаки, делая все новые попытки, пока не поймет, чем они отличаются, и не станет их узнавать в любом виде. Вот только в случае c machine learning примеров — миллиарды, а скорость такого обучения значительно быстрее, чем человек может себе представить.

Итоговый результат хорош настолько, насколько удачными были примеры.

То есть машинное обучение поможет понять, отпишется пользователь от платного сервиса в ближайшее время или нет, на основе схожести его поведения с поведением других отписавшихся пользователей, но будет бесполезно в предсказании доходов компании в следующем году, если у той неожиданно появится сильный конкурент или новый продукт.

Например, почтовый сервер сохранил спам-сообщения, которые раздражают пользователей. Просматривая эти сообщения, система может вычленить свойственные спаму особенности и с достаточно высокой вероятностью сказать, является новое сообщение спамом или нет.

При этом разработчик не пишет код для решения задачи (это было бы очень трудоемко), а задает только общий алгоритм, позволяя машине самой находить взаимосвязи в данных. Другая ситуация: компьютер должен научиться распознавать, что нарисовано на картинке: машина или кресло.

На вход поступают миллионы самых разнообразных «подписанных» (размеченных) картинок, алгоритм вычисляет, какие особенности характеризуют изображение машины или изображение кресла, а затем определяет, что изображено на неподписанной картинке.

С учителем и без: каким бывает машинное обучение

Адам Гейтгей в популярной серии постов о машинном обучении приводит хороший пример. Предположим, вы риелтор, продающий дома. За время работы у вас выработалось чутье, которое подсказывает, сколько стоит тот или иной дом, но передать это чутье новым сотрудникам не выйдет.

Однако у вас есть статистика, показывающая, какие дома за сколько были проданы в прошлом. Входные характеристики дома — количество спален, район, площадь — и итоговая цена хорошо известны.

Вы загружаете эти данные в алгоритм — и он вычисляет вес каждой характеристики дома на основании массива продаж. После этого машина делает предположение о стоимости нового, отсутствующего в базе дома.

Важно

Это называют обучением с учителем (supervised machine learning): вы сами уже знаете соотношение, влияющее на цену, и позволяете компьютеру его рассчитать. У вас есть X и Y, а компьютер лишь находит связывающую их закономерность.

Другой тип машинного обучения — обучение без учителя (unsupervised machine learning). В этом случае у вас есть данные о домах, но о том, как они соотносятся с ценой, вы и не подозреваете. Однако анализ информации может обнаружить интересные закономерности в ценах по районам, по времени продаж и так далее.

Такой тип машинного обучения, например, помогает найти сегменты пользователей в «свалке» из статистических данных, обнаружить похожих людей в соцсетях на основе их поведения или, наоборот, отметить аномалии в больших массивах, которые раньше не были очевидны.

Алгоритм может вычленить похожие участки генов, определить поломку на основе необычного сочетания параметров машины или самолета или отлично сгруппировать рисунки, содержание которых ему при этом неизвестно.

Глубокое обучение (deep learning) включает работу с нейронными сетями. Нейронная сеть вступает в дело, когда входных параметров очень много, их взаимосвязь и расчет слишком сложны.

В этом случае расчеты распараллеливаются между простыми процессорами, которые связаны между собой, — этот процесс проектировщики старались делать похожим на передачу данных между нейронами человека.

Хороший пример использования нейронных сетей — распознавание лиц на разных фотографиях, поиск фотографий по слову или, как в этой работе стэнфордских исследователей, составление словесных описаний фото. Да, компьютеры вполне могут описать ваши снимки.

От НАСА до лесов Амазонии: где применяется machine learning (и нужно ли оно вам)

Онлайн-кинотеатр Netflix посещают около 117 млн пользователей по всему миру, и разработчики используют машинное обучение, чтобы рекомендовать пользователям фильмы и сериалы на основе персональной истории просмотра и оценок.

Помимо этого, они работают над «умным кэшированием», которое подгружает кусок следующей серии сериала, если зритель смотрит предыдущую.

Самое интересное у Netflix — это механизм улучшения качества видеостриминга на основе данных от мобильных устройств и компьютеров: так как фильмы должны проигрываться непрерывно при любом качестве связи, разработчики ищут возможность учесть данные от других устройств, находящихся в том же регионе.

Источник: https://theoryandpractice.ru/posts/16970-obuchenie-mashin-chto-takoe-machine-learning-i-kak-im-ovladet

Настоящее и будущее машинного обучения на устройствах

Как вы, конечно, заметили, машинное обучение на устройствах сейчас все больше развивается. Apple упомянула это около ста раз во время WWDC 2017. Неудивительно, что разработчики хотят добавить машинное обучение в свои приложения.

Однако многие из этих моделей обучения используются только для совершения выводов на основе ограниченного набора знаний. Несмотря на термин “машинное обучение”, никакого обучения на устройстве не происходит, знание находится внутри модели и не улучшается со временем.

Совет

Причина этого заключается в том, что обучение модели требует большой вычислительной мощности, а мобильные телефоны пока на это не способны. Гораздо проще обучать модели офлайн на серверной ферме, а все улучшения модели включать в обновление приложения.

Стоит отметить, что обучение на устройстве имеет смысл для некоторых приложений, и я верю, что со временем такое обучение моделей станет таким же привычным, как использование моделей для прогнозирования. В этом тексте я хочу исследовать возможности этой технологии.

Машинное обучение сегодня

Самым распространенным применением глубокого и машинного обучения в приложениях сейчас является компьютерное зрение для анализа фото и видео.

Но машинное обучение не ограничено изображениями, оно также используется для аудио, языка, временных последовательностей и других типов данных.

Современный телефон имеет множество различных сенсоров и быстрое соединение с интернетом, что приводит к большому количеству данных, доступных для моделей.

iOS использует несколько моделей глубокого обучения на устройствах: распознавание лиц на фото, фразы «Привет, Siri» и рукописных китайских иероглифов. Но все эти модели ничему не учатся от пользователя.

Почти все API машинного обучения (MPSCNN, TensorFlow Lite, Caffe2) могут делать предсказания на основе пользовательских данных, но вы не можете заставить эти модели узнавать новое из этих данных.

Сейчас обучение происходит на сервере с большим количеством GPU. Это медленный процесс, требующий большое количество данных. Сверточная нейронная сеть, например, обучается на тысячах или миллионах изображений. Обучение такой сети с нуля займет несколько дней на мощном сервере, несколько недель на компьютере и целую вечность на мобильном устройстве.

Обратите внимание

Обучение на сервере — это хорошая стратегия, если обновление модели происходит нерегулярно, и каждый пользователь использует одну и ту же модель. Приложение получает обновление модели каждый раз при обновлении приложения в App Store или при периодической загрузке новых параметров из облака.

Сейчас обучение больших моделей на устройстве невозможно, но так будет не всегда. Эти модели и не должны быть большими. И самое важное: одна модель для всех может быть не лучшим решением.

Зачем нужно обучение на устройстве?

Существует несколько преимуществ обучения на устройстве:

  • Приложение может учиться на данных или поведении пользователя.
  • Данные будут оставаться на устройстве.
  • Перевод любого процесса на устройство экономит деньги.
  • Модель будет обучаться и обновляться непрерывно.

Это решение подойдет не для каждой ситуации, но для него найдутся свои применения. Я думаю, что его главным преимуществом является возможность подгонки модели под конкретного пользователя.

На iOS-устройствах это уже делают некоторые приложения:

  • Клавиатура учится на основе текстов, которые вы набираете, и делает предположения о следующем слове в предложении. Эта модель обучается конкретно для вас, а не для других пользователей. Так как обучение происходит на устройстве, ваши сообщения не отправляются на облачный сервер.
  • Приложение «Фото» автоматически организует изображения в альбом «Люди». Я не совсем уверен, как это работает, но программа использует API распознавания лиц на фото и размещает похожие лица вместе. Возможно, это просто неконтролируемая кластеризация, но обучение все равно должно происходить, так как приложение позволяет вам исправлять его ошибки и совершенствуется на основе вашей обратной связи. Вне зависимости от вида алгоритма это приложение — хороший пример кастомизации пользовательского опыта на основе их данных.
  • Touch ID и Face ID учатся на основе вашего отпечатка пальца или лица. Face ID продолжает учиться со временем, поэтому, если вы отрастите бороду или начнете носить очки, оно по-прежнему будет узнавать ваше лицо.
  • Обнаружение движения. Apple Watch изучает ваши привычки, например, изменение биения сердца во время разных активностей. Опять же, я не знаю, как это работает, но, очевидно, обучение должно происходить.
  • Clarifai Mobile SDK позволяет пользователям создавать свои модели классификации изображений при помощи фотографий предметов и их обозначения. Обычно классификационная модель требует тысячи изображений для обучения, но этот SDK может научиться всего на нескольких примерах. Возможность создавать классификаторы изображений из ваших собственных фото, не будучи экспертом в машинном обучении, имеет много практических применений.

Некоторые из этих задач проще, чем остальные. Часто «обучение» является просто запоминанием последнего действия пользователя. Для многих приложений этого достаточно, и это не требует причудливых алгоритмов машинного обучения.

Модель клавиатуры достаточно проста, и обучение может происходить в режиме реального времени. Приложение «Фото» обучается медленнее и расходует много энергии, поэтому обучение происходит, когда устройство находится на зарядке. Многие практические применения обучения на устройстве находятся между этими двумя крайностями.

Читайте также:  Самый страшный робот в мире

Источник: https://apptractor.ru/info/articles/nastoyashhee-i-budushhee-mashinnogo-obucheniya-na-ustroystvah.html

Метод машинного обучения доказал важность способности откладывать удовольствие

Исследователи из Темпльского университета (США) при помощи искусственного интеллекта определили важнейшие факторы, влияющие на возможность разбогатеть.

Считается, что наиболее значимые в традиционном списке таких причин — уровень образования и род деятельности, однако не менее важной оказалась способность человека откладывать мгновенное удовольствие на потом.

Работа ученых вышла в журнале Frontiers in Psychology.

На способность человека много зарабатывать влияет множество факторов, которые могут быть неочевидными. К ним относятся: возраст, профессия, образование, гендер, этническая принадлежность и даже рост. Поведенческие характеристики описать уже сложнее, и одна из них базируется на известном «зефирном эксперименте», проведенном в конце 60-х в Стэнфордском университете.

Суть его заключалась в следующем: детям предлагали два варианта развития событий — сразу взять вознаграждение в виде зефира или иной сладости либо подождать какое-то время и получить ту же самую награду в двойном объеме. Тех детей, которые соглашались ждать, впоследствии ожидала более благополучная жизнь, чем нетерпеливых участников.

Впрочем, эксперимент неоднократно подвергался критике.

Согласно ведущему автору работы доктору Уильяму Хэмптону (Dr. William Hampton) традиционные методы не могут корректно учитывать все факторы, влияющие на будущий успех человека.

«Предсказать уровень дохода может множество вещей. Мы знаем, что такая поведенческая характеристика, как способность откладывать удовольствие, тоже способна предсказывать это.

Было очень любопытно узнать, как эта характеристика будет выглядеть в сравнении с другими, более рациональными, включая образование и возраст.

Используя методику машинного обучения, мы впервые смогли проранжировать все факторы, влияющие на вероятность разбогатеть в будущем», — рассказал ученый.

Важно

В исследовании участвовали более 2500 добровольцев из США, которых разделили на контрольную и экспериментальную группы.

Модель, полученная при помощи искусственного интеллекта, показала, что важнейшими факторами остаются образование и профессия, далее следуют место жительства испытуемого и гендер (мужчины все еще зарабатывают больше, чем женщины).

Затем имеет значение способность человека откладывать удовольствие. Наименее важными оказались возраст, раса, этническая принадлежность и рост.

Влияние каждого из факторов на заработную плату (DD — предрасположенность к откладыванию от немедленного вознаграждения)

Исследователи надеются, что их метод станет частью нового подхода при анализе больших данных и будет применяться для более широкого круга задач.

Доктор Хэмптон также сообщил, что хотел бы увидеть повторение их с коллегами работы учеными из других стран, так как результаты, полученные от американских добровольцев, могут не соответствовать тенденциям за пределами США. Ученый намерен продолжить изучение степени влияния предрасположенности человека к откладыванию удовольствия на уровень доходов в будущем.

Поскольку это остается спорным вопросом, необходимы многолетние исследования проблемы.

Ученые не только ищут причины, почему люди становятся богатыми, но и выясняют, какие последствия их в таком случае ожидают. Так, в прошлом году исследователи показали, что высокий уровень доходов может быть связан с повышенным риском развития болезней сердца и сосудов.

Источник: https://naked-science.ru/article/sci/metod-mashinnogo-obucheniya-dokazal

Я хочу изучать ai и машинное обучение. с чего мне начать?

Начнем с того, что, какое-то время назад, я и мои друзья запустили веб-стартап. Он провалился. В итоге мы сдались и не стали продолжать из-за бессмысленности идеи. Но во время работы над стартапом, я все больше и больше узнавал о таких вещах, как ML и AI.

Я не мог поверить в то, что компьютер может что-то учить для меня.

Через какое-то время я наткнулся на курс от Udacity под названием Deep Learning Nanodegree. На одном из промо-роликов я увидел забавного человека по имени Сирадж Раваль. Он заразил меня своей энергией и я записался на курс, несмотря на то, что совсем не отвечал основным требованиям (я ни разу не писал на Python).

За 3 недели до начала курса, я написал в Службу Поддержки Udacity, с вопросом об их политике возврата средств. Я боялся, что не смогу закончить курс.

Совет

Что же, мне не потребовался возврат, так как я закончил курс в установленный срок. Было действительно тяжело. Мои первые проекты были сданы с опозданием на четыре дня. Я шел вперед только из-за гордости от принятия участия в данном проекте.

Окончив Deep Learning Nanodegree, я гарантированно получал доступ к другим курсам Udacity, таким как AI Nanodegree, Self-Driving Car Nanodegree или Robotics Nanodegree.

Но я был растерян. Что делать дальше?

Мне нужен был учебный план. Я получил необходимые базовые знания с помощью Deep Learning Nanodegree, теперь пришло время выяснить, куда двигаться дальше.

Я знал, что онлайн-курсы имеют высокий процент отсева, но я не собирался становиться частью этих отсеявшихся участников. У меня была миссия.

Чтобы привить себе ответственность, я решил делиться своими успехами и неудачами в Интернете. Помимо этого, там я мог бы найти других людей, которые заинтересованы в том же, что и я.

Я сделал доску Trello открытой и написал о своих начинаниях в блоге.

Мой учебный план немного изменился с тех пор, как я впервые написал его, но он по-прежнему актуален, и я посещаю доску Trello несколько раз в неделю, чтобы отслеживать свой прогресс.

Я знаю, что онлайн-обучение не является традиционной формой обучения. Все специальности, к которым я обращался, требуют степени магистра или, по крайней мере, какую-то техническую степень.

Никакой степени у меня, естественно, не было. Но у меня были навыки, которые я получил, благодаря множеству онлайн-курсов.

Во время обучения, я делился своей работой в Интернете. Мой GitHub был заполнен проектами, которые я сделал, профиль на LinkedIn я забросил и стал делиться своими знаниями через YouTube и статьи на Medium.

Я никогда не писал резюме для Max Kelsen, потому что они и так уже все про меня знали из моего профиля на LinkedIn.

Моя публичная деятельность и была моим резюме.

Независимо от того, учитесь ли вы онлайн или получаете степень магистра, наличие портфолио с примерами ваших работ — отличный способ показать себя.

Обратите внимание

Да, навыки по ML и AI востребованы, но это не значит, что вам ничего не придется делать, чтобы получить работу. Продемонстрировать навыки придется, потому что даже гениальный продукт не будет продаваться, если его не поместить на видное место.

Создайте себе профиль на GitHub, Kaggle, LinkedIn или просто заведите блог — люди должны о вас как-то узнать. Кроме того, иметь собственный уголок в Интернете — очень весело.

  • ТЕГИ
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning

Источник: https://nuancesprog.ru/p/2135/

Машинное обучение: виды, алгоритмы, примеры

Машинное обучение стало настоящим прорывом и сейчас оказывает значительное влияние на жизнь человека и функционирование различных сфер промышленности и бизнеса.

Что представляет собой машинное обучение

Благодаря машинному обучению программист не обязан писать инструкции, учитывающие все возможные проблемы и содержащие все решения. Вместо этого в компьютер (или отдельную программу) закладывают алгоритм самостоятельного нахождения решений путём комплексного использования статистических данных, из которых выводятся закономерности и на основе которых делаются прогнозы.

Технология машинного обучения на основе анализа данных берёт начало в 1950-х гг., к

огда начали разрабатывать первые программы для игры в шашки. За прошедшие десятилетия общий принцип не изменился. Зато благодаря взрывному росту вычислительных мощностей компьютеров многократно усложнились закономерности и прогнозы, создаваемые ими, и расширился круг проблем и задач, решаемых с использованием машинного обучения.

  • 3 примера применения машинного обучения, чтобы ускорить бизнес-процессы

Чтобы запустить процесс машинного обучения, для начала необходимо загрузить в компьютер некоторое количество исходных данных, на которых ему предстоит учиться обрабатывать запросы. Например, это могут быть фотографии, которым присвоены описания: «здесь есть кот» или «здесь нет кота». После этого программа уже сможет самостоятельно распознавать котов на вновь загруженных картинках.

Обучение продолжается и дальше, ведь все загруженные и проанализированные – и верно, и ошибочно – изображения попадают в ту же базу данных. Поэтому, чем больше данных обработано, тем «умнее» программа и всё более точно она решает поставленную задачу.

В наше время компьютеры активно применяются в тех сферах, которые всегда считались подвластными только людям. Конечно, некоторые технологии и наработки ещё только входят на рынок и далеко не идеальны, но это только начало пути. Машинное обучение, дающее возможность машинам самостоятельно совершенствовать свою работу, открывает им возможности для бесконечного развития.

Благодаря машинному обучению компьютеры учатся распознавать на фотографиях и рисунках не только лица, но и пейзажи, предметы, текст и цифры.

Что касается текста, то и здесь не обойтись без машинного обучения: функция проверки грамматики сейчас присутствует в любом текстовом редакторе и даже в телефонах. Причем учитывается не только написание слов, но и контекст, оттенки смысла и другие тонкие лингвистические аспекты.

Более того, уже существует программное обеспечение, способное без участия человека писать новостные статьи (на тему экономики и, к примеру, спорта).

Источник: https://www.gd.ru/articles/9348-mashinnoe-obuchenie

Введение в машинное обучение: люди и изобретения, способствовавшие его зарождению и развитию

Когда видишь заголовки статей о машинном обучении, кажется, что человечество только что сделало важное открытие. На самом деле, эта технология почти так же стара, как и необходимость в вычислениях. Этот материал — введение в машинное обучение. Вы узнаете, как оно зародилось и развивалось. Это поможет вам лучше понять, что это за технология.

Закладка фундамента в области машинного обучения (1642—1936 гг)

Без этих мыслителей и мастеров не появились бы вычислительные машины, а тем более машинное обучение.

1642 г. Юноша из Франции создает первый механический калькулятор. Его изобрел в 19 лет Блез Паскаль, чтобы облегчить работу отцу — сборщику налогов. Она может складывать, вычитать, умножать и делить.

Суммирующая машина «Паскалина»

1679 г. Появляется современная двоичная система счисления. Немецкий математик, философ и языковед Готфрид Вильгельм Лейбниц разработал двоичную систему счисления, которая стала основой современных вычислительных машин.

1770 г. Появляется первый шахматный автомат, который дурачил Европу десятки лет. Механическое устройство под названием «Турок», которое обмануло самого Наполеона. Внутри прятался сильный шахматист и управлял шахматным автоматом.

Со стороны казалось, что это чудо-машина, которая наделена разумом. Обман раскрылся только в 1857 году, когда последний владелец устройства показал, где прятался человек и как он управлял «Турком». Сегодня шахматная программа — уже не обман, а реальность.

И заслуга в этом принадлежит машинному обучению.

«Турок» на гравюре современника. 1789 г

1834 г. «Отец компьютера» придумывает программируемую вычислительную машину. Чарлз Бэббидж начинает проектировать аналитическую машину. Он так и не успел ее построить. Тем не менее его задумка стала основой архитектуры современных компьютеров.

1842 г. Алгоритм Ады Лавлейс делает ее первым программистом в истории. В 27 лет Ада создала последовательность операций для решения математических задач на аналитической машине Чарлза Бэббиджа. В ее честь Министерство обороны США назвала язык программирования для встроенных систем.

1847 г. Элементарная алгебра определяет работу процессоров за сто лет до их изобретения. Математик и логик Джордж Буль создал раздел алгебры, в котором все значения сводятся к одному из двух понятий: истина (true) или ложь (false). В современных компьютерах алгебра логики помогает процессору решить, как обрабатывать данные.

1927 г. Искусственный интеллект дебютировал на экране. Фриц Ланг снимает немой научно-фантастический художественный фильм «Метрополис», в котором знакомит зрителя с идеей разумной машины. Лже-Мария, один из персонажей фильма, стала первым роботом, запечатленном на кинопленке.

Читайте также:  Умное кольцо - гаджет современности

1936 г. Алан Тьюринг придумывает абстрактную вычислительную машину (машину Тьюринга). Вдохновленный протекающими в человеке процессами при решении задач, английский математик, логик и криптограф Алан Тьюринг представил процесс, как машина может расшифровывать и исполнять инструкции. Этот труд вошел в основу информатики.

От задумки к воплощению машинного обучения (1943—1999 гг)

Эта часть введения в машинное обучение посвящена предметам, которые за полвека из фантастики превратились в реальность.

1943 г. Биологическая нейронная сеть представляется как электрическая цепь. В этом году была сформулирована теория того, как работают нейроны. Для иллюстрации нейронные сети изобразили в виде электрической цепи. В 1950-х годах ученые из области информатики стали применять эту теорию в своих работах.

1952 г. Компьютер научился самосовершенствоваться в игре «Шашки». Первопроходец в машинном обучении Артур Сэмюэл создал программу, которая помогала компьютеру IBM играть в шашки с каждой партией все лучше и лучше. Ученые из области машинного обучения часто используют настольные игры, потому что они понятные и комплексные.

1959 г. Искусственная нейронная сеть научилась удалять помехи во время телефонных разговоров. Искусственная нейронная сеть представляет собой подобие нервной системы человека.

Первая нейронная сеть, которую использовали для решения реальной проблемы, стала MADALINE. Она с помощью адаптивного фильтра удаляла эхо-сигналы на телефонных линиях.

Эта нейронная сеть используется по сей день.

1968 г. Кубрик задает высокую планку для искусственного интеллекта 2001 года.

Когда Стэнли Кубрик снимал «Космическую одиссею 2001 года», то консультировался с Марвином Ли Минским, сооснователем Лаборатории искусственного интеллекта в Массачусетском технологическом институте.

Он спросил его, возможно ли, что к 2001 году появятся компьютеры, обладающие интеллектом, как у человека, и способные различать эмоции. Минский ответил, что это возможно.

1979 г. Стэнфордская тележка катится медленно, но верно.

В 1960 году студент Стэнфордского университета Джеймс Адамс решил избавиться от проблем, которые возникают при управлении луноходом с Земли.

Важно

Для этого он оснастил тележку камерой и дистанционным управлением. Спустя двадцать лет стэнфордская тележка смогла передвигаться по комнате с препятствиями (не задевая их) без участия человека.

Стэнфордская тележка

1985 г. NETtalk научилась выговаривать слова. Эта нейронная сеть, разработанная Терри Сейновски и Чарльзом Розенбергом, за неделю научилась правильно произносить 20 000 слов. Первые слова звучали как тарабарщина, но с тренировкой ее речь стала более ясной и похожей на человеческую.

1997 г. Deep Blue побеждает чемпиона мира по шахматам. Когда шахматный компьютер Deep Blue, разработанный компанией IBM, обыграл Гарри Каспарова, это был первый случай, когда компьютер оказался в шахматах лучше человека.

Deep Blue

1999 г. Компьютерная диагностика выявляет рак лучше докторов. Компьютеры не могут излечить от рака, но могут его диагностировать. Рабочая система в САПР, разработанная Чикагским университетом, отсканировала 22 000 маммограмм и обнаружила рак на 52% точнее радиологов.

Современное машинное обучение (2006—2017 гг)

В этой части введения в машинное обучение рассказывается, как машинное обучение вышло из лабораторий и стало проникать в нашу жизнь через разные отрасли.

2006 г. Изучение нейронной сети перерастает в «глубокое обучение». Когда нейронные сети вышли из лабораторий и стали применяться в жизни, специалист в области информатики Джеффри Хинтон переименовал изучение нейронных сетей в глубокое обучение. Сегодня влиятельные лица интернета используют этот метод, чтобы улучшить программы по распознаванию голоса и разметки изображений.

2009 г. BellKor’s Pragmatic Chaos выигрывает 1 млн. долларов в конкурсе от Netflix. В 2006 году Netflix предложила 1 млн. долларов тому, кто улучшит алгоритмы рекомендательной системы Cinematch.

Эта система предлагает клиентам новые фильмы, основываясь на их мнении о просмотренных ранее кинолентах. Победитель определился только через три года. Им оказалась команда BellKor’s Pragmatic Chaos. Улучшить алгоритмы сумела и команда Ensemble.

Однако она отправила результаты на 20 минут позже команды BellKor’s Pragmatic Chaos, поэтому и не выиграла.

2011 г. Суперкомпьютер IBM Watson побеждает в телевикторине Jeopardy (российский аналог — Своя игра). IBM Watson удалось обыграть двух самых сильных участников телевикторины. В планах у IBM развить эту технологию, чтобы она могла стать автоматизированным ассистентом врача и помогала в диагностировании и лечении болезней.

Источник: http://blog.skillfactory.ru/nauka-o-dannyh-data-science/vvedenie-v-mashinnoe-obuchenie/

Немного о методах машинного обучения

Ранее мы уже рассматривали концепцию и некоторые особенности машинного обучения – с учителем и без.

Сегодня речь пойдет о более частных случаях – методах обучения с частичным привлечением учителя (Semi-supervised learning) и обучения с подкреплением (Reinforcement learning).

Собеседником DataReview и экспертом в данной области выступил Сергей Шельпук, директор направления Data Science в компании V.I.Tech, преподаватель курса Machine Learning в школе Lviv IT School (LITS).

Обучение с частичным привлечением учителя

Semi-supervised learning — это способ использовать неразмеченные (unlabeled) данные для того, чтобы повысить точность модели. Такое обучение предполагает использование для каждого прецедента как пар «ситуация-решение», так и просто набор ситуаций.  Говоря простым языком, в данном случае сочетаются элементы машинного обучения обоих видов.

Сергей Шельпук:

Для чего же нужны такие «выкрутасы»? Понятно, что идеальная структура данных возможна только в теории; на практике же жизненно необходимо повышать точность модели – как раз для того, чтобы успешно работать с неидеальными данными.

Применяя метод машинного обучения с частичным привлечением учителя, мы можем (по крайней мере, теоретически) повысить точность модели благодаря использованию так называемых неразмеченных (unlabeled) данных.

Самый простой пример – фотографии в социальных сетях, когда пользователь не отмечает присутствующих на них людей или место съемок, то есть – не присваивает им теги (labels).

Для работы машинного обучения с частичным привлечением учителя необходимо, таким образом, две выборки – размеченная и неразмеченная, причем обе выборки должны содержать данные из одних и тех же классов.

Сергей Шельпук:

В теории такая постановка задачи работает, однако в реальной жизни с данными «везет» значительно реже.

Сергей Шельпук:

Обучение с подкреплением

Reinforcement learning — способ обучать марковские процессы принятия решений (markov decision process) и решать задачи управления. Здесь вместо ответа на вопрос: «Какой это класс?» или «Какое это значение?» мы пытаемся ответить на вопрос: «Что нужно сделать, чтобы достичь желаемого результата?».

В ходе обучения с подкреплением система (агент) обучается, взаимодействуя с некоей средой. Откликом среды на принятые решения являются так называемые сигналы подкрепления – это позволяет назвать такую методологию частным случаем обучения с учителем, однако в роли последнего выступает среда или ее модель, при этом между ней и агентом существует обратная связь.

В общем-то, такая модель (как минимум, на первый взгляд) похожа на то, как работает человеческий мозг при принятии некоего решения.

Совет

Это позволяет с успехом использовать методологию в самых разных областях знаний – от аэрокосмической сферы и до управления электрическими сетями и даже… лифтами – когда необходимо решить, на каком этаже должна стоять кабинка, чтобы люди потратили на ее ожидание как можно меньше времени.

Сергей Шельпук:

Перед машинным обучением всегда стояли высокие цели – как научные, так и практические. С точки зрения анализа данных, машинное обучение, прежде всего, призвано делать модели все более и более точными – и, к сожалению, идеального решения «на все случаи жизни» не существует.

Сегодня мы рассказали вам о двух методологиях, существование которых только подтверждает этот факт – впрочем, опыт подсказывает нам, что разнообразие в конечном итоге приводит к прогрессу; в случае машинного обучения в это можно – и нужно – верить.

Источник: http://datareview.info/article/nemnogo-o-metodah-mashinnogo-obucheniya/

Машинное обучение: проблемы и перспективы

Когда появляется новая технология, потенциал которой еще мало изучен, об этой технологии говорят обобщениями. Часто это утопическое или антиутопическое видение.

То же самое происходит и с машинным обучением — частью того, что мы сейчас называем искусственным интеллектом (ИИ далее по тексту — прим. ред.). Доклад Лондонского королевского общества, опубликованный в мае, «Машинное обучение: сила и перспектива компьютеров, которые учатся на примерах», показал, что мы уже находимся в точке, где можем делать больше, чем обобщать.

Доклад Общества составлен с помощью структурированного общественного диалога, который проводился в течение шести дней в четырех местах по всей Великобритании, в нем участвовали люди из разных социально-экономических слоев.

Количественные исследования показали, что только 9% людей слышали о машинном обучении, хотя многие регулярно использует его в таких приложениях, как словарь T9, вшитый в мобильный телефон, или в рекомендательных сервисах.

Общественный диалог позволил людям обсудить вопросы развития ИИ с ведущими учёными.

Обсуждали потенциальные преимущества машинного обучения, такие как объективность и точность.

Например, участники предпочли экспертную проверенную диагностическую систему, а не врача-человека, неспособного идти в ногу с новейшей литературой, подверженного стрессу и усталости.

Обратите внимание

Даже в ограниченных по времени дискуссиях участники часто делали предположения о том, как машинное обучение может улучшаться, а не просто заменять существующие задачи или рабочие места. Большой потенциал увидели в решении глобальных проблем, таких как изменение климата.

В то же время доклад показал, что общество обеспокоено деперсонализацией ключевых услуг. Даже утомленный врач по-прежнему будет важен для личного разговора с пациентом о серьезном диагнозе. И может ли машинное обучение изменить то, к чему мы привыкли и в чем находим удовольствие (например, вождение авто или написание стихов) и сделать эти действия менее личными или «человеческими».

Доклад поднимает важный вопрос о реальных пределах способностей машинного обучения во всех сферах жизни человека. Участники доклада хотели избежать стереотипности, были бы против того, чтобы их выбор сузился (товары, услуги или новости). Также они подчеркнули возможную опасность машинного обучения и вред для отдельных лиц.

Диалог показал, что люди думают о преимуществах и вреде, а также о практических последствиях.

Например, участники позитивно оценивали машинное обучение в здравоохранении, отнесли его к категории «высокая социальная ценность, низкий социальный риск».

При этом системе рекомендаций для покупателя (за исключением финансовых услуг, таких как страхование и кредиты) искусству были присвоены категории «более низкая социальная ценность и более высокий социальный риск».

При обсуждении последствий потенциального физического вреда от систем автономных транспортных средств или домашних роботов социальной помощи участники обозначили несколько «потенциальных уровней уверенности».

Чтобы обеспечить уверенность, что система машинного обучения точна или безопасна, ее предложили сравнить с человеком с эквивалентной компетенцией.

Важно

В случаях, когда ставки высоки, предложили объединить ИИ и человека в надзирающей роли.

Проект затронул и другие темы. Лондонское королевское общество провело семинар с лидерами в профессиях, на котором подняли вопрос непрерывного профессионального развития и меняющийся характер технических и этических элементов профессиональной практики.

Семинары с представителями промышленного сектора показали, насколько трудно малому бизнесу определить, когда и как он может создать ценность из машинного обучения, и как трудно найти ответы в новой области, где спрос на экспертов намного опережает предложение.

На семинаре с лидерами в юридической профессии начали изучать, в какой степени машинное обучение может значительно нарушить бизнес-модели — чатботы уже выполняют основные юридические консультативные задачи, такие как рассмотрение штрафов за парковку.

Системы машинного обучения могут заменить младший персонал в поиске юридических текстов. Кроме того, машинное обучение уже используется крупными фирмами для прогнозирования реакции контрагента в основных корпоративных случаях.

Работа Лондонского королевского общества в этой области будет продолжаться. Отчет об управлении данными и его использовании, подготовленный совместно с Британской академией, будет опубликован позднее летом.

Читать также: 

Точки роста. Какие проблемы робототехники и интернета вещей решают сейчас

Следующая индустриальная революция: кто станет лидером?

Источник: http://robotoved.ru/machinnoe_obuchenie_report/

Ссылка на основную публикацию