Автор работы: Пользователь скрыл имя, 24 Ноября 2013 в 23:23, курсовая работа
Машинное обучение (Machine Learning) — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Различают два типа обучения. Обучение по прецедентам, или индуктивное обучение, основано на выявлении общих закономерностей по частным эмпирическим данным. Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.
Введение
1 Общая постановка задачи обучения по прецедентам
2 Основные стандартные типы задач
3 Специфические прикладные задачи
4 Практические сферы применения
Заключение
Сфера применений машинного обучения постоянно расширяется. Повсеместная информатизация приводит к накоплению огромных объёмов данных в науке, производстве, бизнесе, транспорте, здравоохранении. Возникающие при этом задачи прогнозирования, управления и принятия решений часто сводятся к обучению по прецедентам. Раньше, когда таких данных не было, эти задачи либо вообще не ставились, либо решались совершенно другими методами.
Ярким примером использования методов машинного обучения в России является компания «Яндекс». Перед ними стояла задача ранжирования — показ в результатах поиска самых релевантных сайтов. Изначально эта задача решалась путем подбора функции ранжирования вручную, однако ее размер рос экспоненциально, поэтому была создана технология машинного обучения MatrixNet, которая не только решила проблему стремительного усложнения функции, но и позволила поставить на поток разработку факторов — признаков, позволяющих экстраполировать оценки релевантности, вручную подготовленные экспертами для небольшого числа сайтов, на весь Интернет. Постепенно подбор почти всех функций ранжирования в поисковых задачах «Яндекса» был переведен на машинное обучение: специальные функции подбираются и для разных регионов, для разных видов контента (веб-сайты, картинки, видео и т. п.), для пользователей с разными интересами. После того как технология машинного обучения зарекомендовала себя в ранжировании, началось ее использование в ряде других задач в поисковой системе, а затем и в других предметных областях.