Реферат на тему Парадигмы машинного обучения

Содержание:

ВВЕДЕНИЕ. 3

1.Машинное обучение. 4

2.Принцип работы машинного обучения. 5

3. Типы машинного обучения и чем они
отличаются. 6

4. Инструменты машинного обучения. 9

5. Тренды машинного обучения. 11

ЗАКЛЮЧЕНИЕ. 14

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ.. 15

Введение:

Актуальность. В окружающем нас мире
происходит невероятный технологический прорыв. И название ему – машинное обучение.

Мы живём в эпоху алгоритмов. Сегодня
алгоритмы проникли во все уголки нашей жизни. Технология машинного обучения
открывает широкие возможности для автоматизации, компьютеры учатся видеть
текст, обрабатывают огромные массивы данных, упрощая жизнь людям. Алгоритмы
нашли себе место в мобильных телефонах и ноутбуках, в автомобилях, квартирах,
бытовой технике, игрушках и многом другом.

За последние несколько лет машинное
обучение сделало прорыв, облегчив некоторые рутинные обязанности людей. Однако
не все до конца понимают, что это такое и по какому принципу работает, хотя
сталкиваются с результатом процесса каждый день. Работа некоторых приложений и
программ в гаджетах и девайсах налажена благодаря данной технологии. Яркие
примеры – Siri и Алиса.

В будущем машинное обучение будет только
развиваться, открывая новые возможности для человечества. Это огромные
перспективы, и было бы глупо не прыгнуть в этот круговорот, получив
определенные знания. Тем более, что специалист по машинному обучению уже сегодня
получает около 200 тысяч рублей. Освоить эту профессию можно за несколько лет,
а работать начать еще раньше. Что предстоит изучить, какими инструментами
пользоваться и куда идти учиться, мы расскажем ниже.

Цель данной работы изучить теоретические
аспекты машинного обучения.

Задачи работы:

— охарактеризовать машинное обучение;

— рассмотреть принцип работы машинного
обучения;

— рассмотреть типы машинного обучения;

— изучить инструменты машинного обучения.

Заключение:

В наши дни данные слишком велики для
людей, чтобы обрабатывать и анализировать их самим. Машинное обучение в
основном использует диапазон или спектр на основе метода оптимизации большого
количества параметров. Для людей нецелесообразно находить такую оптимальную
настройку вручную. Например, распознавание динамика из тона, тона и амплитуды.
Нет гарантии, что машинное обучение будет работать в каждом случае. Иногда
машинное обучение терпит неудачу, требуя понимания проблемы, которая должна
быть решена, чтобы применить правильный алгоритм. Очень большие требования к
данным. Эти алгоритмы обучения требуют большого количества данных обучения.
Было бы очень сложно работать с такими большими объемами данных или собирать
такие данные. Но такие вещи, как увеличение количества и вариации доступных
данных, разнообразие обработки, которое является более дешевым и мощным, и
более доступное хранилище данных, в наши дни мы можем быстро и автоматически
создавать модели и алгоритмы, которые могут анализировать более крупные и более
сложные данные, обеспечивающие более быстрые и точные результаты в больших
масштабах. Поэтому машинное обучение быстро становится очень важной и широко
внедряемой частью нашей повседневной жизни.

Фрагмент текста работы:

1.Машинное обучение Машинное обучение (Machine Learning, ML) –
это раздел теории искусственного интеллекта, предметом которого является поиск
методов решения задач путем обучения в процессе решения сходных задач. Для
построения таких методов используются средства алгебры, математической
статистики, дискретной математики, теории оптимизации, численных методов, и
других разделов математики.

Крупные представители мировой
IT-индустрии, а также именитые исследовательские компании так трактуют суть ML:

· «Практическое использование алгоритмов для
анализа данных, изучения их и последующего прогнозирования какого-либо явления»
(NVIDIA).

· «Наука о том, как научить компьютеры
функционировать без явного программирования» (Стэндфортский университет).

· «Технология, основанная на алгоритмах,
способных учиться на заложенных данных без помощи средств программирования»
(McKinsey & Co).

· «Алгоритмы, способные самостоятельно
выбирать метод решения важных задач путем обобщения заложенных в систему
примеров» (Вашингтонский университет).

· «Сфера деятельности, функция которой
состоит в поиске способов создания компьютерных систем, способных самообучаться
и самостоятельно улучшаться по мере накопления опыта, а также в поиске
фундаментальных закономерностей, по которым работают все процессы обучения»
(Университет Карнеги Меллон).

В целом можно сказать про машинное
обучение, что это часть науки об искусственном интеллекте, а нейронные сети
являются в свою очередь одной из разновидностей ML. [6]