Машинное обучение, нейронные сети и генетические алгоритмы.

Теория машинного обучения (machine learning) находится на границе дисциплин прикладной статистики, численных методов оптимизации, дискретного анализа (как и многие области интеллектуального анализа данных и экспертных систем), однако также затрагивает вопросы вычислительной эффективности и переобучения. Основная задача машинного обучения — частичная (а в идеале — полная) автоматизация решения сложных профессиональных задач в различных сферах деятельности. Распознавание речи, жестов, текста, образов; диагностика (техническая, медицинская, финансовая) — вот только несколько областей применения машинного обучения. В его основе, в свою очередь, лежат некоторые теории и технологии, самые популярные из которых — нейронные сети и генетические алгоритмы.

Нейронные сети — одно из самых популярных на сегодняшний день направлений исследований искусственного интеллекта. Основа таких сетей — математические модели и их дальнейшая аппаратно-программная реализация, которая базируется на принципах организации нейронных сетей, встречающихся у большинства живых организмов. Ключевая идея здесь — повторение свойств нервной системы человека, таких как обучение и исправление ошибок.

Основные области применения нейронных сетей:

  • • в экономике — прогнозирование (например, в трейдинге), предсказание банкротств, невозврата кредитов, определение рейтингов;
  • • в медицине — диагностика, обработка данных ультразвукового исследования и других исследований, устранение шумов показаний приборов;
  • • в телекоммуникациях — кодирование, распознавание сигналов/изо- бражений/документов;
  • • в Интернете — интерактивные агенты/помощники интернет-магазинов, поиск и фильтрация информации/выдача релевантных данных по запросу;
  • • производство — оптимизация процессов производства, контроль качества продукции, прогнозирование/иредупреждение экстренных ситуаций;
  • • многие другие сферы применения: безопасность и охранные системы, геологоразведка, социологические исследования, связь.
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >