Как машинное обучение изменит наш мир

kiozk originalsHi-Tech

Верховный алгоритм

Как машинное обучение изменит наш мир

Автор: Педро Домингос – профессор информатики Университета Вашингтона, один из ведущих экспертов в своей области. Домингос является лауреатом премии SIGKDD Innovation Award, высшей награды в области информатики, а также членом Ассоциации развития искусственного интеллекта

0:00 /
1508.65

Для кого эта книга?

Доступным, легким языком Педро Домингос объясняет, что такое алгоритмы, машинное обучение и большие данные. Для этого он использует наглядные примеры и переводит разговор о сложных информационных технологиях в бытовую, понятную каждому, плоскость. Из книги «Верховный алгоритм» вы узнаете, как работает машинное обучение и почему данные – это «новая нефть». И если это правда, то главный, верховный алгоритм – это не просто ценнейшее из будущих достижений человечества. Это ключ от всех дверей. Он позволит выявить решение таких проблем, над которыми люди бьются веками.

Наш обзор не заменит вам прочтение книги «Верховный алгоритм» в полном объёме. Однако, мы готовы разжечь ваше любопытство и побудить к её самостоятельному изучению. Начнём?

Узнайте, как алгоритмы меняют мир.

Одна из величайших загадок мира заключается в том, как всего фунт серого вещества в голове новорожденного может в конечном итоге породить поток сознания, способного воспринимать мир и взаимодействовать с ним. И уж куда более поразительным является то, как мало учится мозг, пока он претерпевает эту трансформацию.

Ни одна машина в истории человечества не обладает способностью к обучению, сравнимой с человеческим мозгом. Но все меняется. Наша способность создавать все более сложные технологии означает, что в будущем они смогут бросить вызов человеческому мозгу.

Машины могут даже превзойти человеческие способности к обучению. Они способны изучать огромный объем данных, с которыми мы сталкиваемся и который игнорируем каждый день. Так что давайте серьезно об этом задумаемся и исследуем увлекательный мир алгоритмов и машинного обучения.

Из этого обзора вы узнаете:

  • как в будущем машины смогут учиться без инструкций;
  • почему иногда очень сложно увидеть закономерности;
  • как алгоритм выигрыша в «Тетрис» может оптимизировать ваш путь до работы.

Машинное обучение может решить важные проблемы, находя после просмотра данных алгоритм их объяснения.

Вас когда-нибудь выводили из себя рецепты с неточными инструкциями, например, «готовить на среднем огне 15-20 минут»? Если да, то вы тот, кто предпочитает четкий алгоритм действий.

В отличие от подобных рецептов, алгоритмы – это последовательности точных инструкций, которые каждый раз дают один и тот же результат.

Хотя вы можете и не знать об их существовании, алгоритмы используются повсюду. Они планируют рейсы, отправляют посылки и обеспечивают бесперебойную работу заводов.

Эти стандартные алгоритмы предназначены для приема информации в качестве входных данных, затем для выполнения задачи и получения результата.

Допустим, задача алгоритма – задать направление. Если вы введете две точки, машина выдаст вам самый короткий маршрут между этими двумя точками.

Но алгоритмы машинного обучения (МО), на один шаг более абстрактны: это алгоритмы, которые выводят другие алгоритмы! С учетом множества примеров пар «ввод-вывод», на которых нужно учиться, они изобретают алгоритм, который преобразует вводные данные в нужный результат.

Это удобно при разработке алгоритмов для задач, которые программист не может точно описать, например, чтение чьего-то почерка. Подобно езде на велосипеде, расшифровка почерка – это то, что мы делаем бессознательно. Нам было бы трудно выразить этот процесс словами, не говоря уже об алгоритме.

Благодаря машинному обучению, нам не приходится этого делать. Мы просто даем алгоритму машинного обучения множество примеров рукописного текста в качестве вводных данных и значение текста в качестве желаемого результата. В результате получится алгоритм, который сможет преобразовать одно в другое.

После проведения данного процесса обучения мы сможем использовать полученный алгоритм всякий раз, когда захотим автоматически расшифровать почерк. И, действительно, именно так в почтовом отделении считывают почтовый индекс, который вы пишете на своих посылках.

Примечательно то, что алгоритмы машинного обучения, подобные этому, можно использовать для множества различных задач, а решение возникающих проблем – это только вопрос сбора достаточного количества данных.

Это означает, что исходный алгоритм часто один и тот же и не требует никаких корректировок для решения, казалось бы, несвязанных между собой проблем.

Например, можно подумать, что для постановки медицинского диагноза, фильтрации спама из электронной почты и определения лучшего шахматного хода могут потребоваться совершенно разные алгоритмы. Но, на самом деле, с помощью одного алгоритма МО и правильных данных можно решить все эти проблемы.

Чтобы избежать сбоев, алгоритмы обучения должны быть ограничены и проверены на достоверность.

Видеть галлюцинации – это видеть то, чего на самом деле нет. Интересно, что «галлюцинации» – центральная проблема в мире алгоритмов. В 1998 году в бестселлере «Библейский код» утверждалось, что Библия содержит скрытые предсказания, которые обнаруживаются выборочным пропуском определенных строк и букв.

Однако критики опровергли это утверждение, продемонстрировав, что подобные «закономерности» можно найти в «Моби Дике» и даже в постановлениях Верховного суда.

Это хороший пример «галлюцинаций», которые на языке МО являются результатом переобучения. Переобучение происходит, когда алгоритм настолько мощный, что может «выучить» что угодно. Дело в том, что когда вы бросаете достаточно вычислительной мощности на такой набор данных, как Библия, вы всегда найдете некоторые закономерности, потому что компьютер может выводить все более сложные закономерности до тех пор, пока некоторые из них не сработают. Но полученная закономерность не будет работать ни с какими другими данными.

Поэтому, чтобы взять под контроль алгоритмы, их мощность должна быть ограничена путем уменьшения их сложности.

Чтобы вывести правильную степень ограничений, вы должны убедиться, что область применения вашего алгоритма не слишком обширна, и гарантировать, что результаты будут достоверными и последовательными. Если алгоритм слишком универсален, он может привести к таким же данным, как и в «Библейском коде» и найти закономерности в любом тексте или наборе данных.

Но что, если ваш алгоритм обнаруживает несколько закономерностей, которые объясняют ваши данные, но не согласуются с новыми данными? Какому результату вы должны верить? И как вы можете быть уверены на 100% в том, что ваши результаты – это не просто случайность?

Тогда на помощь приходят тестовые данные.

Когда вы готовите исходный набор данных для обучения алгоритма, важно разделить его на тренировочный набор, который алгоритм использует для обучения, и тестовый набор данных, с помощью которого его можно перепроверить.

Авторизуйтесь, чтобы продолжить чтение. Это быстро и бесплатно.

Регистрируясь, я принимаю условия использования

Рекомендуемые статьи

Магия математики Магия математики

Как найти Х и зачем это нужно

kiozk originals
Карантинный спорт, опыт редакции: как в Подмосковье прошла гонка крейсерских парусных яхт Карантинный спорт, опыт редакции: как в Подмосковье прошла гонка крейсерских парусных яхт

Марина Дульнева поучаствовала в регате, и поняла, как чувствует себя матрос

Esquire
Двойная спираль Двойная спираль

Открытие структуры ДНК

kiozk originals
Ошибка «толстых пальцев»: как случайные продажи акций в Китае стали трендом Ошибка «толстых пальцев»: как случайные продажи акций в Китае стали трендом

Как происходят случайные распродажи акций

Forbes
Неизбежно Неизбежно

12 технологических трендов, которые определяют наше будущее

kiozk originals
44 года со дня тарана самолетом дома в Новосибирске 44 года со дня тарана самолетом дома в Новосибирске

Столкновение, случившееся в 1976 году, было не случайностью

Maxim
Homo Deus Homo Deus

Краткая история будущего

kiozk originals
У нас в клубе У нас в клубе

Писательница Юлия Кузнецова о том, как помочь подростку полюбить книги

Vogue
Пластичность мозга Пластичность мозга

Потрясающие факты о том, как мысли способны менять структуру и функции мозга

kiozk originals
«В каждом фильме — все про нас, даже монстры» «В каждом фильме — все про нас, даже монстры»

Какие сигналы для нашей психики скрыты в кино и как научиться их распознавать?

Psychologies
Мелочей не бывает Мелочей не бывает

Как банки строят программы для клиентов премиум-сегмента

Деньги
Почему летом жарко, а зимой холодно? Почему летом жарко, а зимой холодно?

Почему наступают зима, весна, лето, осень?

Наука и жизнь
Змеи в костюмах Змеи в костюмах

Как защититься от психопатов на работе

kiozk originals
Антигруппировку фотонов связали с некогерентным излучением Антигруппировку фотонов связали с некогерентным излучением

Для этого физики изучали спектры излучения источника одиночных фотонов

N+1
Толкование сновидений Толкование сновидений

Главная работа отца психоанализа

kiozk originals
Шведский кошмар Стива Джобса: как Spotify перевернул музыкальную индустрию и потеснил Apple Шведский кошмар Стива Джобса: как Spotify перевернул музыкальную индустрию и потеснил Apple

Отрывок из книги Свена Карлссона и Юнаса Лейонхуфвуда об истории Spotify

Forbes
Дом отдыха Дом отдыха

Ольга Мальева воссоздала в подмосковном доме атмосферу американского Хэмптонс

AD
Остаться при своих Остаться при своих

Когда надо начинать волноваться из-за выпадения волос? Объясняют специалисты

Glamour
О суммах квадратов и кубов О суммах квадратов и кубов

История начинается с теоремы Пифагора, а заканчивается математическим открытием

Наука и жизнь
Почему все время грустно? 9 частых причин, которые нельзя игнорировать Почему все время грустно? 9 частых причин, которые нельзя игнорировать

Что провоцирует подавленное настроение?

Playboy
Пострадавшая от режима Саддама земляная крыса вернулась в иракские болота Пострадавшая от режима Саддама земляная крыса вернулась в иракские болота

Иракскую земляную крысу не видели живой с 1977 года

N+1
Одно спасительное имя Одно спасительное имя

Как называют лекарства?

Популярная механика
Философские устройства Бенджамина Каудена Философские устройства Бенджамина Каудена

Бенджамин Кауден посвятил себя необычному искусству — кинетическому

Популярная механика
10 необычных Mercedes-Benz 10 необычных Mercedes-Benz

Исключительно необычные автомобили компании Mercedes-Benz

Популярная механика
Израильский Гуантанамо: тайная тюрьма, стертая со всех карт и аэрофотосъемок Израильский Гуантанамо: тайная тюрьма, стертая со всех карт и аэрофотосъемок

Секретная тюрьма «лагерь 1391» в Северном Израиле была обнаружена случайно

Maxim
Илон Маск Илон Маск

Tesla, SpaceX и дорога в будущее

kiozk originals
7 способов отличить реальную новость от фейка 7 способов отличить реальную новость от фейка

Количество фейков в Интернете достигло критической массы

Maxim

Что чувствуют актеры во время любовных сцен?

Cosmopolitan
На драйве На драйве

Гонки и адреналин на съемочной площадке спортивной драмы «Мастер»

OK!
Влюбленная в фотографию Влюбленная в фотографию

Селебрити-фотограф Ольга Тупоногова-Волкова презентует персональную выставку WET

OK!
Открыть в приложении