Реферат на тему Алгоритм ближайших k-соседей

Содержание:

Введение 3

1 Понятие машинного обучения. Принципы, задачи и направления 4

1.1 Основные понятия машинного обучения 4

1.2 Истоки машинного обучения 5

1.3 Типы машинного обучения 6

1.4 Компоненты, принципы и задачи машинного обучения 8

1.6 Применение машинного обучения в бизнесе 10

2 Алгоритм k-ближайших соседей 14

2.1 Задачи классификации, решаемые в машинном обучении 14

2.2 Методы классификации 15

2.3 Алгоритмы k-ближайших соседей. 17

2.4 Теоретические составляющие алгоритма k-NN 19

2.5 Работа алгоритма k-NN 20

2.7 Преимущества и недостатки алгоритма KNN 22

2.8 Программные средства практической реализации алгоритма k-ближайших соседей. 23

Заключение 27

Список использованных источников 28

Введение:

Стремительная цифровизация современного общества подстегнула развитие такого направления, как машинное обучение. Использование в повседневной жизни голосовых помощников или запись на прием к врачу через чат-бота, поиск оптимального пути на карте с учетом вида транспорта и загруженности улиц, «умные» вещи – все это уже стало повседневной реальностью для простого обывателя. И с каждым годом число новых возможностей растет в геометрической прогрессии. Мы не думаем, как это происходит, мы просто пользуемся предоставленными возможностями, которые облегчают нашу повседневную жизнь. Однако за внешней простотой скрывается очень сложный процесс, включающий элементы машинного обучения. Понимание этих процессов и умение применять в практической деятельности является важной составляющей ИТ-специалистов настоящего и будущего.

В данной работе мы будем рассматривать в качестве объекта машинное обучение, предметом для исследования являются алгоритмы классификации машинного обучения.

Цель исследования заключается в теоретическом изучении метода k-ближайших соседей (k-nearest neighbour) и для достижения поставленной цели потребуется решить такие задачи, как изучение:

1. Понятия машинное обучение и истории его становления.

2. Основных алгоритмов классификаций, применяемых в настоящее время в машинном обучении.

3. Сути алгоритма k-ближайших соседей и его разновидностей.

4. Математической составляющей алгоритма k-ближайших соседей.

5. Программных средств практической реализации алгоритма k-ближайших соседей.

А также достоинства и недостатки данного метода и ситуации, в которых наиболее предпочтительным оказывается использование именно данного алгоритма.

Заключение:

Технологии машинного обучения уже стали частью повседневной жизни, при этом количество стартапов и продуктов на основе машинного обучения активно растет. Будучи причиной технологических революций в некоторых сферах экономики, ML способно быть драйвером в масштабах бизнеса и государств. Сегодня самое время задуматься об интеграции машинного обучения в бизнес-процессы, чтобы не утратить конкурентоспособность.

Технологии искусственного интеллекта и машинного обучения уже определяют экономический успех предприятий. По данным консалтинговой компании Gartner порядка 50% процессов в сфере обработки и анализа данных будут автоматизированы с помощью ИИ к 2025 году, что снизит острую нехватку высококвалифицированных специалистов.

Использованием самых разнообразных групп методов и алгоритмов анализа данных в машинном обучении позволяет решать широкий спектр вопросов в самых различных областях человеческой деятельности.

Одной из таких групп является группа метрических методов, смысл которых очень хорошо раскрывает фраза «Скажи мне, кто твой друг, и я скажу, кто ты». Алгоритм K-ближайших соседей (KNN) — это тип контролируемых алгоритмов машинного обучения. Алгоритмы этого класса почти не имеют фазы обучения. Вместо этого они просто запоминают всю обучающую выборку, а на этапе предсказания просто ищут похожие на целевой объекты.

KNN — алгоритм чрезвычайно легко реализовать в его самой простой форме, но при этом он выполняет довольно сложные задачи классификации.

Фрагмент текста работы:

1 ПОНЯТИЕ МАШИННОГО ОБУЧЕНИЯ. ПРИНЦИПЫ, ЗАДАЧИ И НАПРАВЛЕНИЯ

1.1 Основные понятия машинного обучения

Долгое время компьютеры применялись для решения задач, с которыми человек мог справиться и сам. Но постепенно становилось понятно, что преимущество машин – в скорости выполнения операций, быстрой аналитике больших объёмов данных, которые человек вручную обрабатывал бы очень долго. Компьютер может быстро дать результат, нужно только задать правильные условия «на входе». Так появились технологии машинного обучения и искусственный интеллект в широком его понимании.

Машинное обучение (machine learning, ML) — это использование математических моделей данных, которые помогают компьютеру обучаться без программирования и явных инструкций, используя только шаблоны и логические выводы.

За последние 15 лет машинное обучение получило широкое распространение, но большинство людей не до конца не осознает его роль в повседневной жизни. Многие из нас ежедневно используют приложения, в основе которых лежат технологии искусственного интеллекта (ИИ) и машинного обучения. Эти технологии уже стали причиной революции во многих отраслях, например, способствовали появлению виртуальных помощников, таких, как Siri или семейства виртуальных ассистентов Салют (Сбер, Джой, Афина), позволили осуществлять прогнозирование трафика с помощью Google Maps.

Машинное обучение считается одной из форм искусственного интеллекта (ИИ), в которой с помощью алгоритмов выявляются закономерности в данных [1].

Необычайный успех machine learning привел к тому, что исследователи и эксперты в области ИИ сегодня по умолчанию выбирают этот метод для решения задач.