Введение в Искусственный интеллект

Салимжанов Р.Д

Artificial Intelligence

Salimzhanov R.D.

Аннотация: В этой статье разберём основы понимания искусственного интеллекта и его алгоритмы.

Abstract: In this article, we will analyze the basics of understanding artificial intelligence and its algorithms.

Для начала определим, что такое искусственный интеллект(ИИ).

И так, простыми словами, это область компьютерной науки, которая выполняет задачи умственного мышления человека.

На настоящий момент, ИИ скорее думает как зародыш/ребёнок, способный анализировать базу данных информации, и выдавать на фоне её ответ.

Так же, нам нужно понимать, что такое машинное обучение и как оно связано с искусственным интеллектом?

ИИ как бы, подражает человеческому интеллекту с помощью таких технологий, как машинное обучение.

Процесс обучения машин на основе спектра больших данных, называется машинным обучением. То есть, для понимания ИИ, следует с начала разобраться с технологией машинного обучения.

1) Обучение под наблюдением;

Это тип машинного обучения, при котором обучающий набор данных содержит помеченные данные. Такая модель, учится сопоставлять данные с правильными выходными данными.

2) Обучение с частичным контролем;

Это тип машинного обучения, при котором обучающий набор данных содержит как помеченные, так и немаркированные данные. Этот подход полезен, когда получение помеченных данных является дорогостоящим или требует много времени, но немаркированные данные легко доступны.

3) Обучение без учителя;

Это тип машинного обучения, при котором обучающий набор, имеет дело с неразмеченными данными, где цель состоит в том, чтобы обнаружить основные закономерности или структуры без явного руководства.

4) Обучение с подкреплением;

Это тип машинного обучения, при котором обучающий набор получает вознаграждение за каждое правильный ответ, что повышает точность.

5) Перенос обучения;

Это тип машинного обучения, при котором обучающий набор включает в себя использование знаний, полученных из одной задачи, и применение их к другой связанной задаче.

Алгоритмы искусственного интеллекта можно использовать для решения разнообразных задач. Некоторые из типов задач, которые можно решать с помощью алгоритмов искусственного интеллекта:

1) Классификация: Это процесс присвоения объекта или события определенной категории на основе его характеристик. Например, классификация электронных писем как спам или не спам, классификация медицинских изображений как здоровые или больные.

2) Регрессионный анализ: предсказание числового значения на основе имеющихся данных (например, прогнозирование цены акций на фондовом рынке).

3) Кластеризация данных: группирование объектов на основе их сходства (например, разделение клиентов на группы для более эффективного маркетинга).

Это лишь несколько примеров задач, которые могут быть решены с помощью алгоритмов искусственного интеллекта. В зависимости от конкретной задачи, могут использоваться различные методы и технологии искусственного интеллекта.

Алгоритмов работы ИИ, существует довольно много, но есть ключевые, которые следует знать:

Наивный байесовский классификатор — это простой метод машинного обучения, который использует вероятностную модель для прогнозирования. Этот метод основан на теореме Байеса, которая позволяет обновить априорные вероятности на основе новых данных.

Основная идея наивного байесовского классификатора заключается в том, чтобы предположить независимость признаков. Это означает, что вероятность того, что объект принадлежит к определённому классу, зависит только от значения каждого отдельного признака.

Формула Байеса выглядит следующим образом:

P(A|B) = P(A)*P(B|A)/P(B)

где P (A|B) — апостериорная вероятность гипотезы A

P (B|A) — вероятность наблюдать данные B, если гипотеза A верна.

P (A) — априорная вероятность гипотезы A

P (B) — вероятность наблюдать данные B в любом случае.

Дерево решений в области искусственного интеллекта представляет собой структуру, которая применяется для решения задач классификации и регрессии. Оно строится на основе данных, где каждому объекту соответствуют определённые признаки.

Дерево решений состоит из узлов, ветвей и листьев. Узлы представляют собой вопросы о значениях признаков объекта, ветви - ответы на эти вопросы, а листья - конечные узлы, в которых определяется класс объекта или значение целевой переменной.

Процесс построения дерева решений начинается с выбора признака, который будет использоваться для разделения объектов на группы. Затем для каждой группы выбирается новый признак и так далее до тех пор, пока не будут достигнуты некоторые критерии остановки (например, достижение определённого уровня точности).

Случайный лес, использует множество случайных деревьев решений для предсказания результата. Каждое дерево в лесу обучается на разных выборках из исходного набора данных, и для каждого дерева выполняется случайная выборка как признаков, так и примеров. При предсказании результата для нового наблюдения каждый из деревьев даёт свой прогноз, а окончательный прогноз формируется как большинство голосов деревьев.

Логистическая регрессия используется для прогнозирования бинарных переменных. В отличие от обычной линейной регрессии, которая предсказывает непрерывную зависимую переменную, логистическая регрессия, представляет собой S-образную кривую, которая может принимать любое вещественное число и отображать его между 0 и 1, но никогда точно не в этих пределах.

На картинке с права класс А представляет 0, а Класс В представляет 1.

Основная идея метода опорных векторов заключается в том, чтобы найти оптимальное разделение между двумя классами, используя гиперплоскость в многомерном пространстве.

Подходов разделения двух классов довольно много, углубляться не будем, но простейшим методом является, нахождением двух ближайших выпуклых точек из оболочек данных, после чего провести разделяющую гиперплоскость через середину отрезка.

Линейная регрессия — это статистический метод, используемый для определения наилучшего линейного приближения(Y=a*X+b) для заданного набора парных наблюдений. Этот метод позволяет оценить неизвестные параметры модели, которые связывают одну или более независимых переменных с зависимой переменной.

На сегодняшний день ИИ имеет широкий спектр применений и может быть полезен во многих областях.

С развитием технологий и расширением возможностей ИИ его применение будет только расширяться.

1) Алгоритм Байеса для аналитики данных // [электронный ресурс]. URL: https://habr.com/ru/companies/otus/articles/733598/ / (дата обращения 17.06.2024)

2) Artificial Intelligence Algorithms: All you need to know // [электронный ресурс]. URL: https://www.edureka.co/blog/artificial-intelligence-algorithms/ / (дата обращения 18.06.2024)

3) A Complete Guide On Decision Tree Algorithm // [электронный ресурс]. URL: https://www.edureka.co/blog/decision-tree-algorithm/#How%20Does%20The%20Decision%20Tree%20Algorithm%20Work / (дата обращения 18.06.2024)

4) Искусственный интеллект // [электронный ресурс]. URL: https://translated.turbopages.org/proxy_u/en-ru.ru.7aea8900-6673d7fe-ccf2db43-74722d776562/https/www.geeksforgeeks.org/artificial-intelligence-an-introduction/ / (дата обращения 19.06.2024)