РусҚаз

Машинное обучение

Информатика · 10 класс · Искусственный интеллект · Урок 1 из 4

Открыть интерактивный урок ›Опыт своими руками, лекция голосом, ИИ-наставник и тест. Бесплатно.

Что это

Представь, что ты учишь младшего брата отличать яблоки от лимонов: не объясняешь правила, а просто показываешь много фруктов и говоришь, где что. Через десяток примеров он начинает угадывать сам. Машинное обучение устроено так же: компьютер не получает готового правила от программиста, а сам находит его по примерам с правильными ответами.

На кухонном столе разложены яблоки и лимоны, старшая сестра показывает фрукты младшему брату, а он уверенно раскладывает их по двум корзинкам.

Зачем это нужно

В ближайшие годы ИИ возьмёт на себя огромную часть рутинной работы, но каждую такую систему кто-то должен обучить и проверить. Машинное обучение распознаёт пешеходов в беспилотных автомобилях вроде Теслы и Вэймо, находит опухоли на медицинских снимках, сортирует посылки на складах и подбирает фильмы в Нетфликсе. Модель легко обучить так, что она блестяще сдаёт экзамен на знакомых примерах и проваливается в реальном мире. Человек, который понимает, откуда берутся данные, как честно проверить модель и где она может ошибиться, будет нужен всегда: ИИ подбирает числа, а ставить задачу и отвечать за результат — дело человека.

Беспилотный автомобиль с датчиками на крыше медленно едет по вечерней улице, а инженер на пассажирском сиденье смотрит на ноутбук с подсвеченными силуэтами пешеходов.

Как это работает

Каждый фрукт мы описываем числами — признаками: массой и тем, насколько жёлтая у него кожура. На графике каждый фрукт становится точкой, а модель — прямой, которая делит лист на две части: по одну сторону «лимон», по другую «яблоко». Обучение — это подбор положения прямой, при котором ошибок меньше всего, и перцептрон делает это сам: находит фрукт, попавший не на ту сторону, и чуть сдвигает прямую в сторону правильного ответа, снова и снова. А честно проверить модель можно только на новых фруктах, которых она при обучении не видела.

Девушка-аналитик стоит у большого экрана, на котором точки двух цветов разделены светящейся линией, и задумчиво держит в руке лимон.

Немного истории

В конце 1950-х годов американский психолог Фрэнк Розенблатт придумал перцептрон и построил его в виде настоящей машины: она получала картинку с камеры из четырёхсот фотоэлементов и училась различать простые фигуры. Веса в этой машине хранились в переменных резисторах, а подкручивали их электромоторы — обучение буквально можно было увидеть глазами.

Учёный в рубашке с галстуком 1950-х годов стоит у шкафа, опутанного сотнями проводов, и показывает камере карточку с нарисованной буквой.

Формула: ответ модели

Модель смотрит на два признака фрукта и складывает их, но с разной важностью — как учитель, который в итоговой оценке учитывает контрольную сильнее, чем домашнюю работу. Формула читается так: зэт равно дубль-вэ один, умноженное на у, плюс дубль-вэ два, умноженное на вэ, плюс бэ. Здесь у — масса фрукта, приведённая к удобному масштабу, вэ — жёлтость кожуры от нуля до единицы, дубль-вэ один и дубль-вэ два — веса, то есть важность каждого признака, а бэ — смещение, которое сдвигает прямую целиком; все эти числа безразмерные. Если зэт больше нуля, модель даёт один ответ, если меньше — другой, а там, где зэт ровно ноль, и проходит та самая прямая на графике. Если увеличить вес жёлтости, модель станет сильнее прислушиваться к цвету кожуры, и прямая повернётся.

  • z = w₁·u + w₂·v + bz — ответ модели: знак показывает класс, —
    w₁ — вес массы, —
    u — масса в удобном масштабе, —
    w₂ — вес жёлтости, —
    v — жёлтость кожуры, от 0 до 1, —
    b — смещение, —

Формула: признак массы

Масса наших фруктов — от девяноста пяти до двухсот сорока граммов, а жёлтость — от нуля до единицы, и если сложить такие числа как есть, масса просто задавит цвет. Поэтому массу сначала переводят в удобный масштаб: у равно эм минус восемьдесят, делённое на сто восемьдесят. Здесь эм — масса фрукта в граммах, а у — безразмерное число, которое для наших фруктов оказывается примерно от нуля до единицы, как и жёлтость. Вычитание восьмидесяти сдвигает начало отсчёта, а деление на сто восемьдесят сжимает разброс. Чем тяжелее фрукт, тем больше у и тем сильнее масса влияет на ответ модели при том же весе.

  • u = (m − 80) / 180u — масса в удобном масштабе, —
    m — масса фрукта, г

Что будем делать на практике

А теперь давай попробуем выполнить практическое задание. Перед тобой график с двадцатью четырьмя фруктами — двенадцать яблок и двенадцать лимонов, каждый стоит точкой по своей массе и жёлтости, а поперёк проходит прямая — твоя модель. Сейчас она стоит так неудачно, что ошибается на двадцати одном фрукте из двадцати четырёх. Ты можешь тащить ручки прямой сам или нажимать «Эпоха», чтобы перцептрон прошёл по всем примерам и подвинул её, а «Обучать до конца» доведёт обучение до победы. Добейся, чтобы ошибок на обучении было не больше двух, а потом нажми «Проверить на тесте» — на новых фруктах точность должна быть не ниже девяноста процентов. Если что-то осталось непонятным — ничего страшного, спроси меня о чём угодно, я отвечу, не переживай.

Задание в опыте

Обучите модель отличать яблоки от лимонов и проверьте её на тесте: нужно не больше 2 ошибок на обучении и точность на тесте не ниже 90 %.
Открыть интерактивный урок ›Опыт своими руками, лекция голосом, ИИ-наставник и тест. Бесплатно.

Уроки темы: Искусственный интеллект

  1. Машинное обучение
  2. Нейросети
  3. Как работают чат-боты
  4. Этика ИИ