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 /
-25:08

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

На понятном языке На понятном языке

Как появился Kotlin, и правда ли, что он идеален для программирования

Популярная механика
«Никогда не начинайте своего дела с эгоистичных мыслей». История первой японской женщины-миллиардера «Никогда не начинайте своего дела с эгоистичных мыслей». История первой японской женщины-миллиардера

Как Синохара Йошико стала одной из богатейших женщин в Японии

Forbes
Неизбежно Неизбежно

12 технологических трендов, которые определяют наше будущее

kiozk originals
Правила жизни Фредди Меркьюри Правила жизни Фредди Меркьюри

Правила жизни вокалиста культовой рок-группы Queen

Esquire
Человечество Человечество

Обнадеживающая история

kiozk originals
Кажется, революция Кажется, революция

Как захватить мир моды, не привлекая внимания санитаров?

Собака.ru
Мозг, исцеляющий себя Мозг, исцеляющий себя

Реальные истории людей, которые победили болезни и преобразили свой мозг

kiozk originals
Неделя в Москве: как увидеть знаковые места столицы. Часть вторая Неделя в Москве: как увидеть знаковые места столицы. Часть вторая

Маршруты для идеального путешествия по Москве. Продолжение

Культура.РФ
30 способов перезапустить свое тело 30 способов перезапустить свое тело

Полное руководство по тому, как выжать максимум из человеческого организма

kiozk originals
Счастливая открытка от Гагарина: как предприниматель из Белоруссии продал стартап Facebook и стал партнером сына миллиардера Счастливая открытка от Гагарина: как предприниматель из Белоруссии продал стартап Facebook и стал партнером сына миллиардера

Как Гурский добился успеха, какую роль в этом сыграл Юрий Гагарин?

Forbes
11 способов становиться немного умнее каждый день 11 способов становиться немного умнее каждый день

Интеллект, как и тело, требует правильного питания и регулярных тренировок

Psychologies
Почему в XIX веке фермеры заказывали парадные портреты своих толстых коров, свиней и овец Почему в XIX веке фермеры заказывали парадные портреты своих толстых коров, свиней и овец

Толстый скот хорош во все времена. Портреты с ним — удовольствие не из дешевых

Maxim
«Это ведь не считается!»: 3 неочевидных признака эмоциональной неверности, которые опасно игнорировать «Это ведь не считается!»: 3 неочевидных признака эмоциональной неверности, которые опасно игнорировать

Как понять, что вы вот-вот измените, пусть и не в стандартном понимании?

Psychologies
Правила жизни Тома Харди Правила жизни Тома Харди

Правила жизни английского актера Тома Харди

Esquire
Меню последнего обеда Меню последнего обеда

Вечер 3 марта 1917 года в царском поезде…

Дилетант
Кожанки, оверсайз-пиджаки и шелк: что носил Микки Рурк в конце восьмидесятых и начале девяностых Кожанки, оверсайз-пиджаки и шелк: что носил Микки Рурк в конце восьмидесятых и начале девяностых

Восьмидесятые и девяностые идеально вписывались в гардероб Микки Рурка

Esquire
Мифология Мифология

Бессмертные истории о богах и героях

kiozk originals
Интервью создателя CoinKeeper: зачем привлёк инвестиции на выход в Европу и почему учёт финансов — не только для бедных Интервью создателя CoinKeeper: зачем привлёк инвестиции на выход в Европу и почему учёт финансов — не только для бедных

Как CoinKeeper иногда принимают за криптосервис?

VC.RU
Ближе к природе Ближе к природе

Респектабельный минимализм с космическими мотивами в апартаментах

SALON-Interior
Как научиться водить машину с нуля Как научиться водить машину с нуля

Стереотипы о женщинах за рулём отправляем на свалку. Как легко научиться водить

Cosmopolitan
5 легендарных мечей, которые до сих пор целы 5 легендарных мечей, которые до сих пор целы

Эти легендарные мечи можно увидеть собственными глазами!

Maxim
Как спаниэль спас карьеру будущего президента США Ричарда Никсона Как спаниэль спас карьеру будущего президента США Ричарда Никсона

«Речь про Чекерса» стала самым проникновенным обращением к нации в прямом эфире

Maxim
Сверхинтенсивные короткие тренировки: эффективны или не очень? Сверхинтенсивные короткие тренировки: эффективны или не очень?

Правда ли, что интенсивные тренировки — панацея от всех проблем?

РБК
Как правильно бегать в холодное время года Как правильно бегать в холодное время года

Как бегать все восемь осенне-зимних месяцев с пользой для здоровья?

Maxim
6 странных вещей, которые люди делали в МРТ-сканере 6 странных вещей, которые люди делали в МРТ-сканере

Чем только учёные не заставляют заниматься своих подопытных

Популярная механика
Скульптор, актер и «Мисс Россия»: талантливые дети певца Федора Шаляпина Скульптор, актер и «Мисс Россия»: талантливые дети певца Федора Шаляпина

Природа определенно не отдохнула на детях великого оперного певца.

Maxim
Модель для сборки: в чем заключается феномен LEGO Модель для сборки: в чем заключается феномен LEGO

Почему LEGO лидеры по производству игрушек и кто такие AFOL?

GQ
Лучшие приключенческие книги: 8 романов, от которых захватывает дух Лучшие приключенческие книги: 8 романов, от которых захватывает дух

Подборка современных и классических книг о приключениях в горах, лесах и на море

Playboy
10 самых глубоких мест на Земле 10 самых глубоких мест на Земле

Насколько близко можно приблизиться к ядру планеты?

Популярная механика
Она мечтала «быть как все» и еще 9 интересных фактов о Ксении Собчак Она мечтала «быть как все» и еще 9 интересных фактов о Ксении Собчак

Ксения Собчак всегда мечтала добиться всего собственными силами

Cosmopolitan
Открыть в приложении