Далее предлагаем учащимся самостоятельно сформулировать принцип обучения без учителя, который предполагает отсутствие какой-либо разметки используемых данных. Обсуждаем с учащимися, что при обучении без учителя машина вначале должна выполнить анализ данных, объединить их по выделенным параметрам и лишь затем использовать их для обучения. В нашем примере машине предоставляют сразу все имеющиеся фотографии кошек и собак, а она должна самостоятельно найти главные закономерности и обучиться различать на фотографиях кошек и собак.
5. Рассматриваем обучение с подкреплением.
Уточняем, что обучение с подкреплением используется, если данные отсутствуют и имеется среда для взаимодействия. Обсуждаем с учащимися, что данный подход используется в тех случаях, когда необходимо анализировать не данные, а реальную среду, взаимодействуя с которой необходимо минимизировать ошибки. Так, роботы-пылесосы, например, не должны знать все возможные в работе ситуации и им не нужно рассчитывать все потенциально допустимые ходы.
Другой пример. Интеллектуальные роботы обучаются выживать в пространстве, получая подкрепление своим действиям (правильно - неправильно), они запоминают ситуации и выходы из них, обобщают эти ситуации с целью поиска выхода из них с максимальной выгодой (состояние - вознаграждение). Предлагаем учащимся привести свои примеры.
6. Рассматриваем ансамблевое обучение.
Уточняем, что ансамблевое обучение используется в тех случаях, когда требуется получить более точный результат. Обсуждаем, что данный подход направлен на улучшение результатов, полученных при обучении с использованием других методов (например, классических методов). Приводим примеры использования ансамблевого обучения. Так, запрос в поисковой системе многократно обрабатывается классическими методами обучения с учителем, причем используется механизм исправления результатов предыдущей выборки до тех пор, пока интеллектуальная система не будет удовлетворена результатом классификации и не выведет ранжированный результат.
7. Рассмотрев некоторые виды машинного обучения, останавливаемся на обучении нейросетей.
Уточняем, что обучение нейросетей используется в тех случаях, если данные являются сложными и сложно определить у них параметры. Отмечаем, что на сегодняшний день данный метод занимает особое место, поскольку нейросети можно использовать для решения любой интеллектуальной задачи, которая решается с использованием других подходов к машинному обучению.
Обсуждаем с учащимися, что этот подход, обладая высоким качеством работы и хорошей эффективностью решения задач, требует больших ресурсов и временных затрат. Поэтому, если задача решается, например, в рамках классического подхода, то вначале задействуют классические методы обучения и лишь затем рассматривают вопрос об улучшении полученного результата с помощью обучения нейросетей.
Теперь остановимся на рассмотрении методики преподавания темы «Задачи и методы машинного обучения», которая является второй в модуле.
Цель: дать представление о задачах и методах машинного обучения.
Контрольные вопросы:
1. Какие типовые задачи решаются методами обучения с учителем? В чем их особенность?
2. Какие типовые задачи решаются методами обучения без учителя? В чем их особенность?
3. Какие задачи решаются методами обучения с подкреплением?
4. Какие задачи решаются методами ансамблевого обучения?
5. Каково назначение методов глубокого обучения нейросети?
6. Каковы возможности сверточных нейросетей?
7. Каковы возможности рекуррентных нейросетей?
Вопросы для обсуждения:
1. Может ли машина решить любую интеллектуальную задачу? Почему?
2. Почему каждый подход к машинному обучению использует разные методы?
3. Каково будущее методов машинного обучения?
4. Каковы возможности и ограничения в использовании методов машинного обучения? Ответ обоснуйте.
Методические рекомендации:
1. Используя систему вопросов, вспоминаем содержание предыдущего занятия, а именно характерные особенности основных подходов к машинному обучению. Еще раз обращаем внимание учащихся на то, что существуют разные подходы для решения различных интеллектуальных задач.
В то же время следует отметить, что методами машинного обучения невозможно решить любую интеллектуальную задачу. Так, машину можно научить прогнозировать, воспроизводить, но не создать принципиально новое знание. Машина не может, в отличие от человека, выходить за рамки поставленной задачи. Предлагаем учащимся привести свои примеры, подкрепляющее это утверждение.
2. Обращаем внимание учащихся, что каждый подход к машинному обучению предполагает свой перечень методов, которые позволяют наиболее эффективно решать определенные типы задач.
Обсуждаем с учащимися характеристики классического обучения. Так, для классического обучения с учителем основными задачами являются классификация и регрессия, а для классического обучения без учителя -- кластеризация, обобщение и ассоциация. Рассматриваем характеристики каждого из перечисленных типов задач более подробно, а именно используемые данные и параметры для решения задач, выделяем методы, с помощью которых решаются те или иные типы задач.
Сначала рассматриваем два типа задач классического машинного обучения с учителем, когда параметры определены, а данные размечены.
Обращаем внимание, что в задаче на классификацию необходимо определить класс объектов и разделить эти объекты на основе заранее известных параметров. Обсуждаем, что данный тип задачи лежит в основе решения следующих проблем: классификация вещей, разработка спам-фильтров, определение языка, распределение музыки по жанрам, поиск похожих документов, распознавание рукописных букв и цифр, определение подозрительных транзакций и т п.
Далее предлагаем учащимся к изучению такой тип задачи, как задача регрессии. Уточняем, что эта задача связана с прогнозированием значений непрерывных параметров какого-либо объекта. Объясняем, что по своей сути это задача на классификацию, но в ней вместо категории объекта (другими словами, класса объекта) прогнозируется число. Обсуждаем с учащимися, что данный тип задачи лежит в основе решения следующих проблем: прогнозирование стоимости ценных бумаг, анализ спроса или объема продаж, установление медицинских диагнозов, определение стоимости автомобиля по его пробегу, прогнозирование количества пробок на дорогах в зависимости от времени суток и т. п.
Следующие три типа задач относятся к задачам классического машинного обучение без учителя, когда параметры определены, но данные уже не размечены.
Вначале предлагаем учащимся к изучению такой тип задач, как задачи кластеризации. Уточняем, что подобные задачи связаны с группировкой схожих объектов на основе их параметров. Объясняем, что по своей сути это задачи на классификацию, в которых заранее не известны классы. Поэтому машина сама ищет похожие объекты и объединяет их в кластеры, количество которых может быть задано заранее или определено машиной.
Обсуждаем с учащимися, что данный тип задач лежит в основе решения следующих проблем: разделение пользователей магазина на маркетинговые группы по их поведению, разработка детекторов аномального поведения, объединение близких точек на карте, сжатие изображений, анализ и разметка новых данных для нахождения лиц людей на фотографиях и группировки их в альбомы.
Далее предлагаем учащимся к изучению такой тип задач, как задача обобщения. Уточняем, что эта задача связана с нахождением зависимостей между объектами и объединением их параметров в абстракцию (по-другому -- в параметр) более высокого уровня без потери связей между ними. Объясняем, что машина сжимает данные большой размерности в меньшую для их визуализации или использования в других методах машинного обучения.
Обсуждаем с учащимися, что благодаря решению подобного типа задач можно получить системы рекомендаций в области кино, музыки, других областях деятельности. Кроме того, в соответствии с заданными критериями можно осуществить отбор ограниченного подмножества объектов из большого их множества. Например, это может быть предоставление персонализированного выбора товаров или услуг пользователям магазина для увеличения их лояльности. Обращаем внимание, что данный тип задач лежит в основе решения следующих проблем: создание рекомендательных систем и красивых визуализаций, определение тематики документов и поиск похожих документов, выявление фотомонтажа на изображении и т. п.
Далее рассматриваем такой тип задач, как задачи ассоциации. Уточняем, что данный тип задач предполагает поиск какой-либо закономерности в потоке последовательностей и лежит он чаще всего в основе решения следующих проблем: прогноз акций и распродаж, анализ покупаемых вместе товаров, анализ последующей покупки, оптимальность расстановки товаров на полках, выявление шаблонного поведения на веб-сайтах.
3. Переходим к рассмотрению характеристик неклассического машинного обучения.
Рассматриваем характеристики следующих подходов к машинному обучению: обучение с подкреплением, ансамблевое обучение и обучение нейросетей.
Вначале рассматриваем основные характеристики обучения с подкреплением. Объясняем, что при обучении с подкреплением решается задача выхода из лабиринта. Обсуждаем с учащимися, что данный тип задач лежит в основе решения следующих проблем: самоуправление автомобилей, роботов-пылесосов, интеллектуальных компьютерных игр, автоматической торговли; управление ресурсами предприятий. Обучение с подкреплением используется для обучения интеллектуальных агентов, которые активно взаимодействуют со средой. Так, бытовой робот-пылесос работает как раз по этому методу, а именно: у него отсутствуют данные, связанные с конкретным устройством пространства, где необходимо производить уборку, но он может производить взаимодействие с этой средой и научиться определять маршрут уборки.
Далее рассматриваем основные характеристики ансамблевого обучения. Объясняем, что при ансамблевом обучении решается задача исправления ошибок, полученных при предыдущем решении задачи. Обсуждаем, что для получения искомого результата решается одна и та же задача разными методами. Результат, полученный одним методом, используется при решении той же задачи уже другим методом, и только после этого получают окончательное решение. Уточняем, что разработаны три основных способа соединения различных методов в ансамбли: стекинг, беггинг, бустинг. Стоит отметить, что данные методы используются для улучшения точности работы классических методов в поисковых системах, для распознавания объектов и т п.
Затем переходим к рассмотрению характеристик обучения нейросетей. Объясняем, что в основе нейронных сетей (нейросетей) лежит принцип организации нервной системы человека, и что любые нейросети функционируют по аналогии с нервной системой живых организмов. Обучить такую нейросеть можно для решения любой типовой задачи, рассмотренной выше. Уточняем, что более подробно нейронные сети, подходы к их построению и обучению будут изучены позже.
Обращаем внимание учащихся, что возможность обучения нейросетей решению любой типовой задачи ведет к устойчивому росту их популярности. Однако у такого метода есть и свои минусы, которые целесообразно обсудить с учащимися более подробно уже при изучении нейронных сетей как самостоятельной темы. В данный момент необходимо сообщить учащимся, что обучение нейронных сетей для решения задачи часто требует большего количества ресурсов, чем другие методы.
Можно привести примеры решения одной и той же задачи с помощью разных методов, сравнить требуемые для ее решения мощности, оформить это в виде таблицы для наглядности и сделать на основе ее данных соответствующие выводы. Затем следует сообщить учащимся, что существуют методы глубокого обучения, которые позволяют справляться с большими размерами нейросетей.
Уточняем, что методы глубокого обучения нейросетей используются в сверточных нейросетях (CNN) и рекуррентных нейросетях (RNN), которые будут подробнее изучаться несколько позже. В рамках данной темы можно сообщить, что сверточные нейросети используются для поиска объектов на фотографиях и видео, распознавания лиц, генерации и дорисовки изображений, создания эффектов типа замедленной съемки и улучшения качества фотографий. А рекуррентные нейросети используются для машинного перевода текстов и компьютерного синтеза речи.
По итогам изучения данной темы делаем вывод, что большой перечень различных интеллектуальных задач, которые раньше мог решить только человек, сейчас можно решить с помощью машинного обучения. Обращаем внимание учащихся на то, что обучение интеллектуальных систем позволяет автоматизировать интеллектуальную деятельность человека и освободить время для его творческой работы.
компьютерный машинный обучение информатика
Литература
1. Григорьев С. Г., Гриншкун В. В., Левченко И. В., Заславская О. Ю. Проект примерной программы по информатике для основной школы // Информатика и образование. 2011. № 9. С. 2-11.
2. Карташова Л. И., Левченко И. В. Методика обучения информационным технологиям учащихся основной школы в условиях фундаментализации образования // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2014. № 2 (28). С. 25-33.