Машинное обучение презентация

Содержание

Что такое Машинное обучение Максим Каськов PureMind

Слайд 1Машинное обучение
Превращение данных в знания
Максим Каськов
PureMind

Слайд 2Что такое Машинное обучение
Максим Каськов PureMind

Слайд 3Как работает Машинное обучение
Максим Каськов PureMind

Слайд 4Искусственные нейронные сети
Максим Каськов PureMind

Слайд 5Чем отличаются данные от знаний?
Максим Каськов PureMind

Слайд 6Данные
Таблицы
Текст
Сигналы
Звук
Изображения
Видео
Максим Каськов PureMind

Слайд 7Данные и Знания
Таблицы
Текст
Сигналы
Звук
Изображения
Видео
Максим Каськов PureMind

Слайд 8Данные и Знания
Данные – совокупность зафиксированных фактов
Информация – сведения, уменьшающие неопределённость
Знания

– сведения, позволяющие действовать с прогнозируемым результатом

Максим Каськов PureMind

Типичная проблема:
Мы располагаем данными, они хранятся в цифровом виде, но мы не знаем, что в них.

Слайд 9Что такое машинное обучение?
Максим Каськов PureMind
(англ. Machine learning)
подраздел искусственного интеллекта (ИИ),

изучающий методы построения алгоритмов, способных обучаться.

Слайд 10Машинное обучение
Максим Каськов PureMind

Слайд 11Машинное обучение
Обучающийся алгоритм
Примеры данных
с закономерностями
Модель закономерности
Поиск закономерностей в новых данных
Максим

Каськов PureMind

Слайд 12Простой пример
“Картина мира” через известные нам данные
Максим Каськов PureMind

Слайд 13Простой пример
Синий или красный новый объект?
Максим Каськов PureMind

Слайд 14Простой пример
Максим Каськов PureMind

Слайд 15Простой пример
Максим Каськов PureMind

Слайд 16Простой пример
Максим Каськов PureMind
Шум или выброс?

Слайд 17Простой пример
Максим Каськов PureMind
Ошибка?

Слайд 18Машинное обучение
Максим Каськов PureMind
F : X -> Y


Трен.
Тест.

Слайд 19Машинное обучение
Максим Каськов PureMind
F : X -> Y


Трен.
Тест.

Объекты

Слайд 20Машинное обучение
Максим Каськов PureMind
F : X -> Y


Трен.
Тест.

Объекты

Метки

Слайд 21Машинное обучение
Максим Каськов PureMind
F : X -> Y


Трен.
Тест.

Объекты

Регрессия

Классификация

Слайд 22Как решаем?
Максим Каськов PureMind
Окончательная
модель

Слайд 23Пример из жизни
Максим Каськов PureMind
Алгоритм машинного обучения
Электронная почта
Спам
Не спам

Слайд 24Что еще может ML?
Классифицировать
Давать вещественный ответ (регрессия)
Прогнозировать
Ранжировать
Фильтровать выбросы
Находить наиболее значимые показатели
Давать

рекомендации

Максим Каськов PureMind

и многое другое

Слайд 25Пример из жизни
Прогнозирование состояния дорожного полотна на 6 и 24 часа
Максим

Каськов PureMind

Предобработка данных

Текущая погода
с погодных станций

Модель

Прогнозы погоды
по интересующим координатам

Координаты интересующих дорог

Предсказание состояния

Сухое
Влажное
Лед
Снег

Слайд 26Пример из жизни
Прогнозирование состояния дорожного полотна на 6 и 24 часа
Максим

Каськов PureMind

Предобработка данных

Текущая погода
с погодных станций

Модель

Прогнозы погоды
по интересующим координатам

Координаты интересующих дорог

Предсказание состояния

Предобработка данных

Фактическое состояние

Сухое
Влажное
Лед
Снег

Обучение нескольких моделей

Тестирование и сравнение моделей

Слайд 27Пример из жизни
Максим Каськов PureMind
Погодные наблюдения
1930 – текущее время
~ 800

станций в РФ
измерение каждый 3 ч.

MAE: 1.8 °C

Слайд 28Пример из жизни
Прогнозирование поломок оборудования
и возникновения внештатных ситуаций
Максим Каськов PureMind

Слайд 29Пример из жизни
Прогнозирование поломок оборудования
и возникновения внештатных ситуаций
Максим Каськов PureMind
Предобработка
Формирование


входного вида данных

Оценка алгоритмом
критериев состояний

Прогноз

Сигналы в реальном времени

Вектор, массив, временной ряд, bitmap

Очистка сигналов, синхронизация, формирование доп. параметров и др.

Слайд 30А если данные не структурированы?
Максим Каськов PureMind

Слайд 31Что такое глубокое обучение?
(англ. Deep learning)
набор алгоритмов машинного обучения, основанных на

изучении множества уровней представления.
Множество уровней представления означают множество уровней абстракции.

Максим Каськов PureMind

Слайд 32Нейронные сети
(англ. Neural network)
математическая модель, построенная по принципу организации биологических нейронных

сетей живых организмов.

Максим Каськов PureMind

Слайд 33Нейронные сети
AlexNet
Максим Каськов PureMind

Слайд 34Пример из жизни
Максим Каськов PureMind
Формирование конкурсной документации
Задачи
Возможность накапливать опыт специалистов и

переиспользовать его
Автоматизация подготовки и проверки документов
Сокращение времени на подготовку документа

Слайд 35Пример из жизни
Максим Каськов PureMind
Формирование конкурсной документации
Пример
Стул цвет красный или синий → …
Стул высота

400 – 500 мм → …
Стул материал ДПС, дерево, фанера → …

→ …

Стол должен быть изготовлен из дерева или фанеры, высотой от 60см до 80см, покрашен краской зеленого или синего цвета

Слайд 36Пример из жизни
Максим Каськов PureMind
Формирование конкурсной документации
Пример
Стул цвет красный или синий → Стул

цвет красный
Стул высота 400 – 500 мм → …
Стул материал ДПС, дерево, фанера → …

→ …

Стол должен быть изготовлен из дерева или фанеры, высотой от 60см до 80см, покрашен краской зеленого или синего цвета

Слайд 37Пример из жизни
Максим Каськов PureMind
Алгоритм Sequence-to-sequence
Стул цвет красный


… Стул цвет красный

Слайд 38Пример из жизни
Максим Каськов PureMind
Формирование документации
Возможности
Обработка строк
Генерация строк
Выделение из текста значимых

частей
Исправление ошибок (в т.ч. смысловых)
Выходной контроль

Слайд 39Пример из жизни
Максим Каськов PureMind
Формирование документации
Проблемы
Генерация строк требует обучающей базы >1млн.

записей
Помнит и хранит контекст до 100 слов

Достижения
Разбиение текста на значимые единицы
Выходной контроль

Слайд 40Пример из жизни
Максим Каськов PureMind
Формирование конкурсной документации
Пример
Стул цвет красный или синий → Стул

цвет красный
Стул высота 400 – 500 мм → Стул высота 0,5 м
Стул материал ДПС, дерево, фанера → Стул материал дерево

→ Стол изготовлен из дерева, высотой 0,8м, покрашен краской зеленого цвета

Стол должен быть изготовлен из дерева или фанеры, высотой от 60см до 80см, покрашен краской зеленого или синего цвета

Слайд 41Пример из жизни
Сегментация космических снимков
Максим Каськов PureMind

Слайд 42Пример из жизни
Сегментация космических снимков
Максим Каськов PureMind
Космические снимки
ортогональные 4х-канальные (RBG+NIR)
с разрешением

0,5-1м на пиксель

Обрабатываемые типы объектов:
дороги
постройки
деревья (лес)
травяное(растительное) покрытие
земля (пашня)
вода
железные дороги

Слайд 43Пример из жизни
Сегментация космических снимков
Максим Каськов PureMind

Слайд 44Умный холодильник SmartKi
Максим Каськов PureMind
*самостоятельно распознает продукты

Слайд 45Какие задачи решает глубокое обучение?
Компьютерное зрение (computer vision)
Распознавание речи (speech recognition)
Обработка

естественных языков (natural language processing - NLP)
Медицинская диагностика и Биоинформатика
Финансовые приложения
Обработка текстов и документов
Защита данных и выявление мошенничества
Персональная безопасность
Рекомендации и персонализированный маркетинг
Интеллектуальные автомобили и роботы
Техническая диагностика
Информационный поиск
Интеллектуальные игры


Максим Каськов PureMind

Слайд 46Спасибо за внимание!
Максим Каськов
m.kaskov@puremind.tech
+7(917)1272092

max8mk
http://PureMind.tech

Слайд 47Еще примеры из жизни
Максим Каськов PureMind
Чат боты – обработка естественного языка

NLP
Art
3d и slam
Медицина (проактивная)

Слайд 48Нейронные сети
Универсальный, мощный инструмент
Решает любые задачи, особенно связанные с неструктурированными или

слабо структурированными данными

Долго тренируются
Требуют большое количество вычислительных мощностей и специального оборудования
Требуют много данных

Максим Каськов PureMind

Слайд 49???
Признаки
Анализ данных
Data mining
BigData
Максим Каськов PureMind

Слайд 50Известные компании, применяющие машинное обучение
Максим Каськов PureMind

Слайд 51

Максим Каськов PureMind

Похожие презентации

Bài giảng cơ sở hệ thống thông tin chương 8. Thương mại điện tử và thương mai di động 412
Математические основы ИТ. Создание и обработка документов в MS Office с помощью приложений Microsoft Word, Excel. (Лекции 1-2) 324
Лекция 1. Введение в теорию информации и кодирование 307
Paskaleikur, comments 234
Автоматизированные системы управления в гостиничных предприятиях 773
Statistics toolbox 267

Обратная связь

Если не удалось найти и скачать презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое ThePresentation.ru?

Это сайт презентаций, докладов, проектов, шаблонов в формате PowerPoint. Мы помогаем школьникам, студентам, учителям, преподавателям хранить и обмениваться учебными материалами с другими пользователями.

Для правообладателей

Яндекс.Метрика