Как машинное обучение меняет подход к познанию презентация

Содержание

1. Как машинное обучение меняет подход к познанию
2. План выступления О машинном обучении в науках
3. План выступления О машинном обучении в науках
4. Определения Машинное обучение – метод создания программы
5. Машинное обучение как наука около 100 000
6. Примеры машинного обучения в физике Машинное обучение
7. Надежды на ИИ и МО Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)
8. План выступления О машинном обучении в науках
9. Классы задач машинного обучения Кластеризация Классификация
10. Классификация Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)
11. Измерительные шкалы Номинальные (categorical): только равенство. Green ≠
12. Методология DIKW Данные – зафиксированные факты (данность)
13. План выступления О машинном обучении в науках
14. Снижение размерности PCA, t-SNE, AE Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)
15. Метод главных компонент (PCA) Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)
16. t-SNE 0 1 6 5 3 8
17. Маленький корпус 1000 документов (EHR) -
18. Кластер беременности, здесь кроме однокоренных отнесены "неделя"
19. Кластер протезирования. Из интересного тут: "Тромбэктомия"
20. t-SNE в астрофизике The Galah Survey: Classification
21. t-SNE – материалы курса МФТИ https://www.coursera.org/learn/unsupervised-learning/lecture/Bn22S/mietod-t-sne
22. Автоэнкодер (Сверточный) Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)
23. Восстановление поверхности 1 - череп без повреждения;
24. Глубокие нейронные сети CNN, RNN, LTSM, GAN,
25. CNN Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)
26. CNN – извлечение признаков Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)
27. CNN Classifying Complex Faraday Spectra with Convolutional
28. CNN для поиска гравитационных линз Deep Convolutional
29. GAN (Архитектура) Генеративная состязательная сеть
30. GAN (pix2pix) Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)
31. Local Awareness GAN Learning Particle Physics by
32. Distributed Representation Слово представляется вектором в многомерном
33. Distributed Representation Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)
34. План выступления О машинном обучении в науках
35. Новые задачи для квантово-статистической теории анализа данных
36. Смешанные состояния Задача: Учесть влияние наблюдателя и
37. Нецифровые шкалы Множество подмножеств: X \subset N
38. Источники https://nplus1.ru/news/2017/10/19/higgs-learning Машинное обучение и квантовый отжиг
39. Контакты к.ф.-м.н. Павловский Евгений Николаевич зав. лабораторией

План выступления О машинном обучении в науках Классы задач машинного обучения Современные методы машинного обучения Новые задачи для совместного исследования Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Главная
Информатика
Как машинное обучение меняет подход к познанию

Слайд 1 Как машинное обучение меняет подход к

познанию?

Новые задачи для квантово-статистической теории анализа данных

Павловский Евгений Николаевич, к.ф.-м.н.
Лаборатория аналитики потоковых данных и машинного обучения НГУ

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 2План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

обучения
Новые задачи для совместного исследования

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 3План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

обучения
Новые задачи для совместного исследования

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 4Определения
Машинное обучение – метод создания программы без непосредственного кодирования программы, а

посредством обучения на примерах
Проведение функции через заданные точки в сложно устроенных пространствах (К.В. Воронцов)

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 5Машинное обучение как наука
около 100 000 научных публикаций в год
тысячи

алгоритмов
наиболее успешное направление искусственного интеллекта, вытеснившее экспертные системы и инженерию знаний
более инженерия, нежели наука

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 6Примеры машинного обучения в физике
Машинное обучение и квантовый отжиг нашли распады

бозона Хиггса, https://nplus1.ru/news/2017/10/19/higgs-learning, 19.10.2017

ФВЭ: Learning Particle Physics by Example: Location-Aware Generative Adversarial Networks for Physics Synthesis, https://arxiv.org/abs/1701.05927, 13.06.2017

Астро: Generative Adversarial Networks recover features in astrophysical images of galaxies beyond the deconvolution limit, https://arxiv.org/abs/1702.00403, 1.02.2017

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 7Надежды на ИИ и МО
Лаборатория аналитики потоковых данных и машинного обучения

НГУ (С)

Слайд 8План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

обучения
Новые задачи для совместного исследования

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 9Классы задач машинного обучения
Кластеризация

Классификация

Регрессия

Цензурирование

Снижение размерности
Лаборатория аналитики потоковых данных и машинного обучения

НГУ (С)

Слайд 10Классификация
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 11Измерительные шкалы
Номинальные (categorical): только равенство. Green ≠ Blue
bool, list
Порядковые: сравнение. «BCC» >

«BCB» (lexicographic)
char
Интервальные: порядковые + расстояние. 30°C больше 15°C как
date -5°C больше -20°C
Отношений: интервальные + ноль лекция в 2 раза дольше чем вчерашняя
… вес 70кг в 1.4 раза больше чем 50кг
Абсолютная: отношений + сложение N, Q, R
double, int

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 12Методология DIKW
Данные – зафиксированные факты (данность)

Информация – уменьшает неопределённость (всегда есть источник и приёмник)

Знания –

дают предсказуемый результат (рецепты)

Мудрость – понимание условий использования («знания» в платоновском смысле)

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 13План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

обучения
Новые задачи для совместного исследования

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 14Снижение размерности
PCA, t-SNE, AE
Лаборатория аналитики потоковых данных и машинного обучения НГУ

(С)

Слайд 15Метод главных компонент (PCA)
Лаборатория аналитики потоковых данных и машинного обучения НГУ

(С)

Слайд 16t-SNE
0
1
6
5
3
8
2
4
9
7
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 17Маленький корпус 1000 документов (EHR) - Кардиохирургия
Обработан конвейером
Word2vec 200 dims
Проекция T-SNE

для визуализации

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 18Кластер беременности, здесь кроме однокоренных отнесены "неделя" и аббревиатура "нед"
Кластер гипертонии:

семантически близки все возможные "гипер *тонии *тензии" и "риск". Термин "эссенциальный" вызвал вопросы, но оказалось есть "эссенциальная гипертония" (95 % всех случаев).

t-SNE

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 19Кластер протезирования.
Из интересного тут: "Тромбэктомия" - операция по удалению тромботических

масс из ранее установленного протеза. "Карбоникс" - марка протезов.

t-SNE

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 20t-SNE в астрофизике
The Galah Survey: Classification and diagnostics with t-SNE reduction

of spectral information
https://arxiv.org/pdf/1612.02242.pdf, 09.12.2016

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 21t-SNE – материалы курса МФТИ
https://www.coursera.org/learn/unsupervised-learning/lecture/Bn22S/mietod-t-sne
Лаборатория аналитики потоковых данных и машинного

обучения НГУ (С)

Слайд 22Автоэнкодер (Сверточный)
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 23Восстановление поверхности
1 - череп без повреждения;
2 - череп со смоделированным

повреждением;
3 - имплантат для поврежденной модели;
4 - восстановленная модель черепа.

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 24Глубокие нейронные сети
CNN, RNN, LTSM, GAN, ...
Лаборатория аналитики потоковых данных и

машинного обучения НГУ (С)

Слайд 25CNN
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 26CNN – извлечение признаков
Лаборатория аналитики потоковых данных и машинного обучения НГУ

(С)

Слайд 27CNN
Classifying Complex Faraday Spectra with Convolutional Neural Networks https://arxiv.org/abs/1711.03252, 9.11.2017
Лаборатория аналитики потоковых

данных и машинного обучения НГУ (С)

Слайд 28CNN для поиска гравитационных линз
Deep Convolutional Neural Networks as strong gravitational

lens detectors
https://arxiv.org/pdf/1705.07132.pdf, 19.05.2017

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 29GAN (Архитектура) Генеративная состязательная сеть

Случайный
шум
Генеративная
модель
Реальный/
Ложный
Состязательная
модель
Ложное
изображение
Реальное
изображение
Лаборатория аналитики потоковых данных

и машинного обучения НГУ (С)

Слайд 30GAN (pix2pix)
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 31Local Awareness GAN
Learning Particle Physics by Example: Location-Aware Generative Adversarial Networks

for Physics Synthesis
https://arxiv.org/pdf/1701.05927.pdf, 13.06.2017

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 32Distributed Representation
Слово представляется вектором в многомерном пространстве
Лаборатория аналитики потоковых данных и

машинного обучения НГУ (С)

Слайд 33Distributed Representation
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 34План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

обучения
Новые задачи для совместного исследования

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 35Новые задачи для квантово-статистической теории анализа данных

Лаборатория аналитики потоковых данных и машинного обучения

НГУ (С)

Слайд 36Смешанные состояния
Задача:
Учесть влияние наблюдателя и прибора на измерения
Метод: при измерении восстановить

исходную матрицу плотности макросистемы «измеряемое-прибор-наблюдатель»

Зачем?
реализовать запутанные системы и смешанные состояния
использовать матрицу плотности вместо исходных данных

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 37Нецифровые шкалы
Множество подмножеств: X \subset N

Какими алгоритмами работать с такими измерениями?
Инвариантность

относительно выбранной шкалы
Проследить все операции с этим типом данных

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

$Нецифровые шкалыМножество подмножеств: X \subset NКакими алгоритмами работать с такими измерениями?Инвариантность относительно выбранной шкалыПроследить все$

Слайд 38Источники
https://nplus1.ru/news/2017/10/19/higgs-learning
Машинное обучение и квантовый отжиг нашли распады бозона Хиггса
https://arxiv.org/abs/1701.05927
Learning Particle Physics

by Example: Location-Aware Generative Adversarial Networks for Physics Synthesis
https://arxiv.org/abs/1711.03252, 9.11.2017
Classifying Complex Faraday Spectra with Convolutional Neural Networks
http://www.nsu.ru/xmlui/bitstream/handle/nsu/13448/08.pdf
Павловский Е. Н., Пакулич Д. В., Поспелов С. О. Восстановление 3D-модели дефекта черепа на основе глубоких нейронных сетей // Вестн. НГУ. Серия: Информационные технологии. 2017. Т. 15, № 3. С. 74–78. DOI 10.25205/1818-7900-2017-15-3-74-78. ISSN 1818-7900.
https://arxiv.org/pdf/1705.07132.pdf, 19.05.2017
Deep Convolutional Neural Networks as strong gravitational lens detectors

Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 39Контакты
к.ф.-м.н. Павловский Евгений Николаевич
зав. лабораторией аналитики потоковых данных и машинного обучения НГУ
+79139117907
pavlovskiy@post.nsu.ru

Скачать презентацию

Как машинное обучение меняет подход к познанию презентация

Содержание

Слайд 1 Как машинное обучение меняет подход к

Слайд 2План выступленияО машинном обучении в наукахКлассы задач машинного обученияСовременные методы машинного

Слайд 3План выступленияО машинном обучении в наукахКлассы задач машинного обученияСовременные методы машинного

Слайд 4ОпределенияМашинное обучение – метод создания программы без непосредственного кодирования программы, а

Слайд 5Машинное обучение как наукаоколо 100 000 научных публикаций в год тысячи

Слайд 6Примеры машинного обучения в физикеМашинное обучение и квантовый отжиг нашли распады

Слайд 7Надежды на ИИ и МОЛаборатория аналитики потоковых данных и машинного обучения

Слайд 8План выступленияО машинном обучении в наукахКлассы задач машинного обученияСовременные методы машинного

Слайд 10КлассификацияЛаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 11Измерительные шкалыНоминальные (categorical): только равенство. Green ≠ Bluebool, list Порядковые: сравнение. «BCC» >

Слайд 12Методология DIKWДанные – зафиксированные факты (данность)Информация – уменьшает неопределённость (всегда есть источник и приёмник)Знания –

Слайд 13План выступленияО машинном обучении в наукахКлассы задач машинного обученияСовременные методы машинного

Слайд 14Снижение размерностиPCA, t-SNE, AEЛаборатория аналитики потоковых данных и машинного обучения НГУ

Слайд 15Метод главных компонент (PCA)Лаборатория аналитики потоковых данных и машинного обучения НГУ

Слайд 16t-SNE0165382497Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 17Маленький корпус 1000 документов (EHR) - КардиохирургияОбработан конвейеромWord2vec 200 dimsПроекция T-SNE

Слайд 18Кластер беременности, здесь кроме однокоренных отнесены "неделя" и аббревиатура "нед"Кластер гипертонии:

Слайд 19Кластер протезирования. Из интересного тут: "Тромбэктомия" - операция по удалению тромботических

Слайд 20t-SNE в астрофизикеThe Galah Survey: Classification and diagnostics with t-SNE reduction

Слайд 21t-SNE – материалы курса МФТИhttps://www.coursera.org/learn/unsupervised-learning/lecture/Bn22S/mietod-t-sne Лаборатория аналитики потоковых данных и машинного

Слайд 22Автоэнкодер (Сверточный)Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 23Восстановление поверхности1 - череп без повреждения; 2 - череп со смоделированным

Слайд 24Глубокие нейронные сетиCNN, RNN, LTSM, GAN, ...Лаборатория аналитики потоковых данных и

Слайд 25CNNЛаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 26CNN – извлечение признаковЛаборатория аналитики потоковых данных и машинного обучения НГУ

Слайд 27CNNClassifying Complex Faraday Spectra with Convolutional Neural Networks https://arxiv.org/abs/1711.03252, 9.11.2017Лаборатория аналитики потоковых

Слайд 28CNN для поиска гравитационных линзDeep Convolutional Neural Networks as strong gravitational

Слайд 30GAN (pix2pix)Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 31Local Awareness GANLearning Particle Physics by Example: Location-Aware Generative Adversarial Networks

Слайд 32Distributed RepresentationСлово представляется вектором в многомерном пространствеЛаборатория аналитики потоковых данных и

Слайд 33Distributed RepresentationЛаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 34План выступленияО машинном обучении в наукахКлассы задач машинного обученияСовременные методы машинного

Слайд 35Новые задачи для квантово-статистической теории анализа данныхЛаборатория аналитики потоковых данных и машинного обучения

Слайд 36Смешанные состоянияЗадача:Учесть влияние наблюдателя и прибора на измеренияМетод: при измерении восстановить

Слайд 37Нецифровые шкалыМножество подмножеств: X \subset NКакими алгоритмами работать с такими измерениями?Инвариантность

Слайд 38Источникиhttps://nplus1.ru/news/2017/10/19/higgs-learningМашинное обучение и квантовый отжиг нашли распады бозона Хиггсаhttps://arxiv.org/abs/1701.05927Learning Particle Physics

Слайд 39Контактык.ф.-м.н. Павловский Евгений Николаевичзав. лабораторией аналитики потоковых данных и машинного обучения НГУ+79139117907pavlovskiy@post.nsu.ru

Похожие презентации

Обратная связь

Что такое ThePresentation.ru?

Слайд 2План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

Слайд 3План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

Слайд 4Определения
Машинное обучение – метод создания программы без непосредственного кодирования программы, а

Слайд 5Машинное обучение как наука
около 100 000 научных публикаций в год
тысячи

Слайд 6Примеры машинного обучения в физике
Машинное обучение и квантовый отжиг нашли распады

Слайд 7Надежды на ИИ и МО
Лаборатория аналитики потоковых данных и машинного обучения

Слайд 8План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

Слайд 10Классификация
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 11Измерительные шкалы
Номинальные (categorical): только равенство. Green ≠ Blue
bool, list
Порядковые: сравнение. «BCC» >

Слайд 12Методология DIKW
Данные – зафиксированные факты (данность)

Информация – уменьшает неопределённость (всегда есть источник и приёмник)

Знания –

Слайд 13План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

Слайд 14Снижение размерности
PCA, t-SNE, AE
Лаборатория аналитики потоковых данных и машинного обучения НГУ

Слайд 15Метод главных компонент (PCA)
Лаборатория аналитики потоковых данных и машинного обучения НГУ

Слайд 16t-SNE
0
1
6
5
3
8
2
4
9
7
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 17Маленький корпус 1000 документов (EHR) - Кардиохирургия
Обработан конвейером
Word2vec 200 dims
Проекция T-SNE

Слайд 18Кластер беременности, здесь кроме однокоренных отнесены "неделя" и аббревиатура "нед"
Кластер гипертонии:

Слайд 19Кластер протезирования.
Из интересного тут: "Тромбэктомия" - операция по удалению тромботических

Слайд 20t-SNE в астрофизике
The Galah Survey: Classification and diagnostics with t-SNE reduction

Слайд 21t-SNE – материалы курса МФТИ
https://www.coursera.org/learn/unsupervised-learning/lecture/Bn22S/mietod-t-sne
Лаборатория аналитики потоковых данных и машинного

Слайд 22Автоэнкодер (Сверточный)
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 23Восстановление поверхности
1 - череп без повреждения;
2 - череп со смоделированным

Слайд 24Глубокие нейронные сети
CNN, RNN, LTSM, GAN, ...
Лаборатория аналитики потоковых данных и

Слайд 25CNN
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 26CNN – извлечение признаков
Лаборатория аналитики потоковых данных и машинного обучения НГУ

Слайд 27CNN
Classifying Complex Faraday Spectra with Convolutional Neural Networks https://arxiv.org/abs/1711.03252, 9.11.2017
Лаборатория аналитики потоковых

Слайд 28CNN для поиска гравитационных линз
Deep Convolutional Neural Networks as strong gravitational

Слайд 30GAN (pix2pix)
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 31Local Awareness GAN
Learning Particle Physics by Example: Location-Aware Generative Adversarial Networks

Слайд 32Distributed Representation
Слово представляется вектором в многомерном пространстве
Лаборатория аналитики потоковых данных и

Слайд 33Distributed Representation
Лаборатория аналитики потоковых данных и машинного обучения НГУ (С)

Слайд 34План выступления
О машинном обучении в науках
Классы задач машинного обучения
Современные методы машинного

Слайд 35Новые задачи для квантово-статистической теории анализа данных

Лаборатория аналитики потоковых данных и машинного обучения

Слайд 36Смешанные состояния
Задача:
Учесть влияние наблюдателя и прибора на измерения
Метод: при измерении восстановить

Слайд 37Нецифровые шкалы
Множество подмножеств: X \subset N

Какими алгоритмами работать с такими измерениями?
Инвариантность

Слайд 38Источники
https://nplus1.ru/news/2017/10/19/higgs-learning
Машинное обучение и квантовый отжиг нашли распады бозона Хиггса
https://arxiv.org/abs/1701.05927
Learning Particle Physics

Слайд 39Контакты
к.ф.-м.н. Павловский Евгений Николаевич
зав. лабораторией аналитики потоковых данных и машинного обучения НГУ
+79139117907
pavlovskiy@post.nsu.ru