Машинное обучение.
Машинное обучение "machine learning " это большой раздел искусственного интеллекта.
Немного об истории:
Искусственный интеллект, как научная область активно развивается с начала XIX века. Наибольшая активность в области происходила в 60-х и 70-х годах. В то время казалось, что Искусственный интеллект - это близкое будущее, что, в общем, не удивительно, т.к направление прогрессировало невероятно быстро. Компьютеры все чаще обыгрывали лучших шахматистов, а на исследования в области искусственного интеллекта выделялись огромные деньги. Однако, к 1973 году стало понятно, что не все так хорошо, как кажется. В этом году был опубликован так называемый отчет Лайтхилла — документ «Искусственный интеллект: Общий обзор», дающий крайне пессимистические прогнозы для основных направлений отрасли.....

В последнее время машинное обучение вышло из сферы только математиков и алгоритмистов, и проникло в мир IT- бизнесменов, а затем и в мир простых обывателей. Но одно дело просто пользоваться этими технологиями, а другое понимать как они работают.
В своей работе я попытаюсь доступным языком рассказать про машинное обучение: что такое машинное обучение,основные задачи машинного обучения, как разрабатывают алгоритмы и некоторые другие вопросы.Что касается практической части, то я попробую реализовать один из алгоритмов на языке Python.

Машинное обучение-это не киборг- системы, это не живые компьютеры. Все что мы можем делать при помощи машинного обучения-это анализировать данные. Другими словами:" Машинное обучение-обширнейший подраздел искусственного интеллекта. Изучает методы построения алгоритмов, способных обучаться".
В процессе этого обучения программы учатся выявлять определенные паттерны в больших объёмах данных. Как пример, идентифицировать лицо на изображении или делать победный ход в игре. Этот метод можно применить к самым разным проблемам. Например, обучить компьютер выявлять конкретную картину на медицинских снимках. Компания Deep Mind разрабатывает программное обеспечение , которое обучается диагностировать рак и заболевание глаз по сканам пациентов.
Искусственный интеллект помогает управлять чрезвычайнейши сложными системами, вроде сети глобальных поставок. Искусственный интеллект работает везде, от финансов др транспорта, управляет самолетами и следят за рынками акций, защищает почту от спама.
Итак, вывод:
Сегодня машинное обучение активно используются во многих отраслях нашей жизни. Оно применяется для:
-распознавания речи, образов, рукописного текста, жестов.
-медицинской диагностики
-технической диагностики
-финансовых приложений
-обнаружения мошенничества и спама
-категоризации документов
-информационного поиска
-биоинформатики
-и много других ....

На сегодняшний день выделяют два типа машинного обучения: дедуктивное обучение и обучение по прецедентам ( индуктивное).В основе первого типа предполагается формализация знаний и их перенос в компьютер в виде общей базы. Дедуктивное обучение относится к направлению экспертных систем. Что же касается второго типа, то здесь лежит выявление закономерностей в эмпирической информации.
Типы ML
• Дедуктивное обучение.Предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. 
(по общим правилам вывести следствие, применительное к конкретному случаю)
• Индуктивное обучение ( или обучение по прецедентам). Основная задача индуктивного обучения заключается в восстановлении некоторой зависимости по эмпирическим данным. 
(по эмпирическим данным восстановить общую закономерность).
Индуктивное обучение подразделяется на:
– Обучение с учителем ( supervised learning) - обучение, в котором есть некоторое число примеров с правильными ответами;
– Обучение без учителя ( unsupervised learning) - обучение,в котором нет правильных ответов, только данные;
– Обучение с подкрепление (reinforcement learning)-обучение, в котором агент учится посредством собственных проб и ошибок;
– Активное обучение ( active learning) -
Рассмотрим метод обучения с учителем.

 Процесс обучения с учителем представляет собой предъявление нейронной сети выборки обучающих примеров. Каждый образец подается на входы сети, затем проходит обработку внутри структуры НС, вычисляется выходной сигнал сети, который сравнивается с соответствующим значением целевого вектора, представляющего собой требуемый выход сети. Затем по определенному правилу вычисляется ошибка, и происходит изменение весовых коэффициентов связей внутри сети в зависимости от выбранного алгоритма. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня.

Примеры( подобрать свои)!!!!!!!!!!!!!
Обучение с учителем. Оператор сотовой связи решает следующую задачу: как по известным сведениям о человеке понять, воспользуется ли он услугами компании или нет. Пусть у компании уже накоплены наблюдения (данные) о некотором количестве людей (их возраст, пол, место работы или учебы, гражданство, семейное положение и т.д.). Кроме того, известно, пользуются ли эти люди услугами компании. Тогда общая схема решения задачи может быть такой: использовать некоторый алгоритм машинного обучения (например, нейронные сети). На имеющихся положительных (является потребителем услуг компании) и отрицательных (не является потребителем услуг компании) примерах обучить алгоритм – подобрать такие параметры алгоритма, что он будет “узнавать” потребителей компании среди всех имеющихся примеров. В дальнейшем обученный алгоритм можно использовать для определения потенциальных потребителей (по имеющимся о них данным).
Обучение без учителя – «самостоятельно», здесь можно провести аналогию с обучением ребенка – что-то он познает с помощью учителя, чему – то учится на собственном опыте. Процесс обучения без учителя строится на том же принципе, что и обучение с учителем – подстраивании синаптических весов. Очевидно, что подстройка синапсов может происходить только на основании информации, доступной в нейроне, то есть его состояния и уже имеющихся весовых коэффициентов.
Обучение без учителя. Пример!!!!!!!!! Оператор сотовой связи решает составить несколько портретов типичных потребителей своих услуг. Тогда с помощью алгоритма машинного обучения по имеющимся у компании данным о потребителях могут быть найдены кластеры – группы похожих пользователей.

Глава 3.Машинное обучение как один из разделов нейросетей.
Говоря о машинном обучении нельзя не вспомнить о нейронных сетях. Ведь именно благодаря нейтронным сетям было разработано множество алгоритмов машинного обучения, каждый из которых обладает своими сильными и слабыми сторонами.

Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.

Простая нейронная сеть
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.
– группы похожих пользователей.