Исаев ВМ_м1-АТППз-21. Машинное обучение
 Скачать 27.73 Kb.
|
|
Федеральное государственное бюджетное образовательное учреждение высшего образования САРАТОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ имени Гагарина Ю.А.
Практическая работа по дисциплине «Машинное обучение» Выполнил: студент группы б1-АТППипу-31 Исаев В.М. Проверил: Саратов 2022 Ответы на вопросы: 1) Когда применяют машинное обучение? Машинное обучение имеет высокую практическую значимость для многих отраслей, от госсектора, транспорта и медицины до маркетинга, продаж, финансов и страхования. Существует огромное количество способов его применения – например, прогнозное обслуживание, оптимизация цепи поставок, распознавание мошенничества, персонализация здравоохранения, сокращение дорожного трафика, рациональное планирование расписания полетов и многие другие. Государственные учреждения используют машинное обучение для интеллектуального анализа данных в целях повышения своей эффективности и экономии денежных средств. Банки применяют машинное обучение для выявления инвестиционных возможностей, высокорисковых клиентов или признаков киберугрозы. В области здравоохранения машинное обучение помогает использовать данные носимых устройств и датчиков для оценки состояния здоровья пациента в режиме реального времени. Сегодня технологию используют больше в маркетинговых целях. Например, Google и Яндекс применяют МО для показа релевантной рекламы пользователям. Машинное обучение используется в структурах обеспечения безопасности. Например, система распознавания лиц в метро. Камеры сканируют лица людей, входящих и выходящих из метро. Аналитические машины сравнивают снимки с лицами, которые находятся в розыске. Если сходство высоко, то система подает сигнал. Сотрудники полиции идут на проверку документов у конкретного человека. Искусственный интеллект уже внедряют в медицинские учреждения. Например, обработка данных о пациентах, предварительная диагностика и даже подбор индивидуального лечения на основе информации о болезни человека. 2) Перечислите сложности машинного обучения. Как правило, модели машинного обучения работают с огромными массивами данных, чтобы гарантировать точность работы нейросети, однако во многих отраслях крупных баз данных просто не существует. Проблемы с машинным обучением этим не ограничиваются, особенно если речь идет об естественной речи. При общении люди воспринимают не только саму информацию, но и жесты, мимику, интонацию, модуляции голоса. Большинство ИИ должно для начала разобраться в сути вопросов и научиться ориентироваться в контексте, особенно в том, как данный вопрос связан с предыдущими. Многие из использующихся сейчас моделей машинного обучения по своей природе предвзяты, поскольку данные, по которым их обучали, ограничены. Данные могут быть собраны некорректно, и тем, кто занимается их подбором для систем машинного обучения, следует внимательнее следить за тем, чтобы в них были учтены интересы всех. С другой стороны, иногда данные сознательно подобраны так, чтобы отражать только определенный аспект проблемы или определенную выборку, поскольку так поставлена задача. 3) Дайте определения трем понятиям - Кластеризация, Регрессия, Классификация. Регрессия. Система из массива представленных характеристик предсказывает результат в виде конкретной цифры. Например, так можно предсказать, сколько будет стоить акция Газпрома через месяц или несколько лет, а также определить бюджет на рекламную кампанию и др. Классификация. Система по набору признаков определяет категорию анализируемого объекта. Например, можно определить спам в числе электронных писем или же распознать, человек какого пола изображен на фотографии. Кластеризация. Система предоставленный массив данных разбивает на категории. Например, обращения в компанию от клиентов можно разбить на категории: по рекламным источникам, типам обращений и др. |