с учителем – пожалуй, самый распространенный вид машинного обучения. В этом случае у нас есть размеченный дата-сет – набор примеров, для каждого из которых уже известен правильный ответ. Допустим, коллекция фотографий, где для каждой указано, кошка на ней или собака. Задача алгоритма – найти функцию, которая будет максимально точно отображать входные данные (матрицу пикселей изображения) в выходные метки классов (кошка/собака). После обучения это позволит классифицировать новые, ранее не виданные фотографии.
Обучение без учителя имеет дело с неразмеченными данными. Здесь нет явной задачи классификации или прогноза, вместо этого алгоритм пытается самостоятельно найти какую-то структуру и закономерности в массиве данных. Например, кластеризовать объекты так, чтобы похожие были в одной группе, а непохожие – в разных. Или снизить размерность данных, выделив их ключевые признаки. Такой анализ часто помогает лучше понять природу изучаемых объектов и процессов.
Обучение с подкреплением – подход, вдохновленный бихевиористской психологией. Здесь обучающийся агент (например, робот или игровой ИИ) обучается в процессе взаимодействия с некоторой средой. Он совершает действия и получает от среды «награды» или «наказания» в зависимости от результата. Цель агента – выработать стратегию поведения, максимизирующую суммарную награду. Именно на этом принципе построено обучение знаменитого ИИ AlphaGo, обыгрывающего чемпионов мира в го.
Глубокое обучение и нейросети – прорыв, изменивший всё
Особого упоминания заслуживает глубокое обучение – подраздел машинного обучения, связанный с искусственными нейронными сетями. Хотя сами по себе нейросети известны с 1940-х годов, именно в последнее десятилетие благодаря росту вычислительных мощностей и объемов данных они совершили настоящую революцию, многократно повысив эффективность ИИ в таких сферах как компьютерное зрение, обработка естественного языка, управление роботами и многих других.
Нейронные сети – это особый вид алгоритмов, структурно имитирующих строение биологического мозга. Они состоят из множества простых вычислительных единиц – «нейронов», соединенных связями-«синапсами». Каждый нейрон получает сигналы от других, суммирует их с некоторыми весами и при достижении порога активации посылает собственный сигнал дальше по сети. Обучение нейросети заключается в подборе этих весов так, чтобы при подаче на вход определенных данных на выходе появлялся желаемый результат.
Ключевая особенность нейросетей, отличающая их от других методов машинного обучения – способность автоматически выделять иерархии признаков из необработанных данных. Если на вход обычного МО-алгоритма нужно подавать уже готовые, выделенные человеком признаки объектов (например, длину лепестков для классификации ирисов или частоту слов для анализа текстов), то нейросеть может работать непосредственно с «сырыми» данными – пикселями изображений, буквами текста, необработанным