Свод знаний по управлению бизнес-процессами: BPM CBOK 4.0 (Авторов) - страница 145
Машинное обучение – это подмножество искусственного интеллекта. Машинное обучение – это ряд методов, обучающих компьютеры выполнять задачи без явного программирования. По сути, алгоритмы машинного обучения выявляют закономерности в данных и создают модели, предсказывающие или классифицирующие конкретные результаты. Основная задача машинного обучения – предсказание будущих результатов по некоторому набору входных данных. Эта задача решается обучением на исторических данных. Если требуется предсказать действительное число, то это регрессионная задача. Если требуется предсказать «да» или «нет», то это задача двоичной или бинарной классификации. Если требуется предсказать выбор более чем из двух вариантов, то это задача мультиномиальной классификации. К одному и тому же набору данных могут применяться различные алгоритмы. Примечательно, что нейронные сети могут использоваться для решения задач всех трех типов. Нейронные сети характеризуются высоким качеством, но при этом длительным временем обучения; это один из самых трудоемких, но и самых точных вариантов машинного обучения.
Глубокое обучение – это подмножество машинного обучения, нацеленное на очень сложные задачи. В нем используются алгоритмы глубокого обучения и глубокие нейронные сети. Глубокие нейронные сети – это нейронные сети, построенные из многих слоев (отсюда название «глубокие»), в которых чередуются линейные и нелинейные процессоры; для их обучения используются огромные массивы обучающих данных. В глубоких нейронных сетях может насчитываться 10–20 скрытых слоев, в то время как в обычных нейронных сетях – всего несколько. Чем больше слоев в сети, тем больше характеристик она способна распознать. К сожалению, чем больше слоев, тем больше времени уйдет на вычисления и тем сложнее будет обучение. Один из алгоритмов глубокого обучения – случайный лес (Random Decision Forests, RDFs). Он тоже построен из многих слоев, но состоящих не из нейронов, а из деревьев принятия решений, и результатом является статистическое среднее (или мода) предсказаний отдельных деревьев. В этом методе используется рандомизация набора обучающих данных – бэггинг (bootstrap-aggregating).
На следующем рисунке показано, что глубокое обучение – это подмножество машинного обучения, которое, в свою очередь, является подмножеством ИИ.
Машинное обучение использует алгоритмы, а глубокое обучение использует эти алгоритмы и добавляет гиперпараметры для построения окончательной модели обучения.
Компании, инвестирующие в ИИ, ведут разработку в трех направлениях: