1642 — Блез Паскаль изобретает механическую машину, которая может складывать, вычитать, умножать и делить.

1679 — Готфрид Вильгельм Лейбниц изобретает систему двоичного кода.

1834 г. — Чарльз Бэббидж замышляет идею универсального устройства, которое можно было бы программировать с помощью перфокарт.

1842 г. — Ада Лавлейс описывает последовательность операций для решения математических задач, используя теоретическую перфокарточную машину Чарльза Бэббиджа, и становится первым программистом.

1847 — Джордж Буль создает булеву логику, форму алгебры, в которой все значения могут быть сведены к двоичным значениям истина или ложь.

1936 — Английский логик и криптоаналитик Алан Тьюринг предлагает универсальную машину, которая могла бы расшифровать и выполнить набор инструкций. Его опубликованное доказательство считается основой информатики.

1952 — Артур Сэмюэл создает программу, которая поможет компьютеру IBM лучше играть в шашки, чем больше он играет.

1959 — MADALINE становится первой искусственной нейронной сетью, применяемой для решения реальной проблемы: удаления эха с телефонных линий.

1985 — Искусственная нейронная сеть Терри Сейновски и Чарльза Розенберга научилась правильно произносить 20 000 слов за одну неделю.

1997 — IBM Deep Blue обыграл гроссмейстера Гарри Каспарова.

1999 — Интеллектуальная рабочая станция прототипа САПР проанализировала 22 000 маммограмм и обнаружила рак на 52% точнее, чем рентгенологи.

2006 г. — компьютерный ученый Джеффри Хинтон изобретает термин «глубокое обучение» для описания исследования нейронных сетей.

2012 г. — Неконтролируемая нейронная сеть, созданная Google, научилась распознавать кошек в видеороликах YouTube с точностью 74,8%.

2014 — Чат-бот проходит тест Тьюринга, убеждая 33% судей-людей, что это был украинский подросток по имени Юджин Густман.

2014 г. — AlphaGo от Google побеждает чемпиона по игре в го, самой сложной настольной игре в мире.

2016 — LipNet, система искусственного интеллекта DeepMind, определяет читаемые по губам слова на видео с точностью до 93.4%.

2019 — Amazon контролирует 70% доли рынка виртуальных помощников в США

Что такое модель машинного обучения?

Когда вы покупаете автомобиль, первый вопрос — какая модель — Honda Civic для недорогих поездок на работу, Chevy Corvette для хорошего внешнего вида и быстрой езды или, может быть, Ford F-150 для перевозки тяжелых грузов.

Для перехода к ИИ, самой революционной технологии нашего времени, вам понадобится модель машинного обучения.

Модель машинного обучения — это выражение алгоритма, который просматривает горы данных, чтобы найти закономерности или сделать прогнозы.Модели машинного обучения (ML), основанные на данных, являются математическими двигателями искусственного интеллекта.

Например, модель машинного обучения для компьютерного зрения может определять автомобили и пешеходов в видео в реальном времени. Один для обработки естественного языка может переводить слова и предложения.

Под капотом модель машинного обучения — это математическое представление объектов и их отношений друг с другом. Объектами могут быть все, что угодно, от «лайков» в сообщении в социальной сети до молекул в лабораторном эксперименте.

Без ограничений на объекты, которые могут стать функциями в модели машинного обучения, нет никаких ограничений на использование ИИ. Комбинации бесконечны.

Специалисты по обработке данных создали целые семейства моделей машинного обучения для различных целей, и в разработке находятся другие.

Краткая систематика моделей машинного обучения

Например, линейные модели используют алгебру для прогнозирования отношений между переменными в финансовых прогнозах.Графические модели выражают в виде диаграмм вероятность, например, решит ли потребитель купить продукт. Заимствуя метафору ветвей, некоторые модели машинного обучения принимают форму деревьев решений или их групп, называемых случайными лесами.

Во время Большого взрыва ИИ в 2012 году исследователи обнаружили, что глубокое обучение является одним из самых успешных методов поиска закономерностей и прогнозирования. Он использует своего рода модель машинного обучения, называемую нейронной сетью, потому что она была вдохновлена ​​паттернами и функциями клеток мозга.

Глубокое обучение получило свое название от структуры моделей машинного обучения. Они накладывают слой за слоем элементы и их взаимосвязи, образуя бутерброд с математическим героем.

Благодаря своей невероятной точности в поиске закономерностей повсюду появляются два типа моделей глубокого обучения, описанные в отдельном объяснительном ролике.

Сверточные нейронные сети (CNN), часто используемые в компьютерном зрении, действуют как глаза в автономных транспортных средствах и могут помогать обнаруживать болезни на медицинских изображениях.Рекуррентные нейронные сети и преобразователи (RNN), настроенные для анализа устной и письменной речи, являются движками Amazon Alexa, Google Assistant и Apple Siri.

Выбор подходящего семейства моделей, таких как CNN, RNN или трансформатор, — отличное начало. Но это только начало.

Если вы хотите прокатиться на Baja 500, вы можете модифицировать стандартный багги для дюн с помощью мощных амортизаторов и износостойких шин или купить автомобиль, созданный для этой гонки.

В машинном обучении это так называемая предварительно обученная модель. Он настроен на большие наборы обучающих данных, которые похожи на данные в вашем случае использования. Взаимоотношения данных, называемые весами и смещениями, оптимизированы для предполагаемого приложения.

Для обучения модели требуется огромный набор данных, большой опыт в области искусственного интеллекта и значительные вычислительные мощности. Опытные покупатели выбирают предварительно обученные модели, чтобы сэкономить время и деньги.

Когда вы покупаете предварительно обученную модель, найдите дилера, которому вы можете доверять.

NVIDIA ставит свое имя в онлайн-библиотеку под названием NGC catalogue, которая заполнена проверенными, предварительно обученными моделями. Они охватывают весь спектр задач ИИ, от компьютерного зрения до разговорного ИИ и т. Д.

Пользователи знают, что получают, потому что модели в каталоге идут с резюме. Они похожи на реквизиты потенциального найма.

показывает вам область, для которой модель была обучена, набор данных, который ее обучил, и ожидаемые результаты.Они обеспечивают прозрачность и уверенность в том, что вы выбираете правильную модель для своего варианта использования.

Более того, модели NGC готовы к трансферному обучению. Это последняя настройка крутящего момента моделей для точных дорожных условий, по которым они будут ездить, — данных вашего приложения.

NVIDIA даже предоставляет ключ для настройки вашей модели NGC. Он называется TAO, и вы можете подписаться на него сегодня, чтобы получить ранний доступ.

Чтобы узнать больше, посетите:

16 лучших вопросов на собеседовании по машинному обучению 2021

Ах, ужасное интервью по машинному обучению.Вам кажется, что вы все знаете… пока не пройдете проверку! Но так быть не должно.

За последние несколько месяцев я провел собеседование со многими компаниями на должности начального уровня, связанные с наукой о данных и машинным обучением. Чтобы дать вам немного перспективы, я учился в аспирантуре в последние несколько месяцев, обучаясь на магистратуре по машинному обучению и компьютерному зрению, при этом большая часть моего предыдущего опыта была исследовательской / академической, но с восемью месяцами на ранней стадии запуска (не связанного с ML).Роли включали работу в области науки о данных, общего машинного обучения и специализации в области обработки естественного языка или компьютерного зрения. Я взял интервью у крупных компаний, таких как Amazon, Tesla, Samsung, Uber, Huawei, а также у многих стартапов, от начальных до хорошо зарекомендовавших себя и финансируемых.

16 вопросов для собеседования по машинному обучению

1. Что такое нормализация данных и зачем она нам нужна?
2. Объясните, что такое уменьшение размерности, где оно используется и его преимущества?
3. Как вы обрабатываете отсутствующие или поврежденные данные в наборе данных?
4. Объясните этот алгоритм кластеризации.
5. Как бы вы занялись исследовательским анализом данных (EDA)?
6. Как узнать, какую модель машинного обучения следует использовать?
7. Почему мы используем свертки для изображений, а не только слои FC?
8. Что делает трансляцию CNN инвариантной?
9. Почему у нас есть максимальный пул в классификационных CNN?
10. Почему CNN сегментации обычно имеют стиль / структуру кодировщика-декодера?
11. Какое значение имеют остаточные сети?
12. Что такое пакетная нормализация и почему она работает?
13. Как бы вы справились с несбалансированным набором данных?
14. Зачем вам использовать много маленьких сверточных ядер, таких как 3×3, а не несколько больших?
15. Есть ли у вас еще какие-нибудь проекты, связанные с этим?
16. Объясните текущее магистерское исследование? Что сработало? Что не сделали? Будущие направления?

Сегодня я поделюсь с вами всеми вопросами на собеседовании, которые мне задавали, и о том, как к ним подойти.Многие из вопросов были довольно распространенными и ожидаемыми от теории, но многие другие были довольно творческими и любопытными. Я просто перечислю самые распространенные из них, поскольку в Интернете есть много ресурсов о них, и более подробно остановлюсь на некоторых из менее распространенных и сложных. Я надеюсь, что, прочитав этот пост, вы сможете хорошо пройти собеседование по машинному обучению и получить работу своей мечты!

Я чувствовал, что это было бы важно выделить. Нормализация данных — очень важный этап предварительной обработки, используемый для изменения масштаба значений, чтобы они соответствовали определенному диапазону, чтобы обеспечить лучшую сходимость во время обратного распространения ошибки. В общем, это сводится к вычитанию среднего значения каждой точки данных и делению на его стандартное отклонение. Если мы этого не сделаем, то некоторые из функций (имеющие высокую величину) будут иметь больший вес в функции стоимости (если функция более высокой величины изменится на 1%, то это изменение будет довольно большим, но для более мелких функций это совсем незначительно).Нормализация данных делает все функции одинаково взвешенными.

Снижение размерности — это процесс уменьшения количества рассматриваемых переменных характеристик путем получения набора основных переменных, которые в основном являются важными характеристиками. Важность функции зависит от того, насколько переменная функции способствует информационному представлению данных, и зависит от того, какой метод вы решите использовать.Решение о том, какую технику использовать, сводится к пробам и ошибкам и предпочтениям. Обычно начинают с линейной техники и переходят к нелинейным, когда результаты говорят о неадекватной подгонке. Преимущества уменьшения размерности для набора данных могут быть:

• Уменьшите необходимое пространство для хранения.
• Ускорение вычислений (например, в алгоритмах машинного обучения), меньшие размеры означают меньше вычислений, а также меньшие размеры могут позволить использовать алгоритмы, непригодные для большого количества измерений.
• Удалите лишние элементы, например, нет смысла сохранять размер местности как в квадратных метрах, так и в квадратных милях (возможно, сбор данных был некорректным).
• Уменьшение размера данных до 2D или 3D может позволить нам построить и визуализировать их, возможно, наблюдать закономерности, дать нам понимание.
• Слишком много функций или слишком сложная модель может привести к переобучению.

Вы можете найти отсутствующие / поврежденные данные в наборе данных и либо отбросить эти строки или столбцы, либо решить заменить их другим значением.В Pandas есть два очень полезных метода: isnull () и dropna (), которые помогут вам найти столбцы данных с отсутствующими или поврежденными данными и удалить эти значения. Если вы хотите заполнить недопустимые значения значением-заполнителем (например, 0), вы можете использовать метод fillna ().

Я написал популярную статью о 5 алгоритмах кластеризации, которые необходимо знать ученым, в которой подробно объяснил их все с помощью отличных визуализаций.

Цель EDA — собрать некоторую информацию из данных, прежде чем применять вашу прогнозную модель, то есть получить некоторую информацию. По сути, вы хотите сделать свой EDA в порядке от грубого до тонкого . Мы начинаем с получения некоторых глобальных идей высокого уровня. Обратите внимание на некоторые несбалансированные классы. Посмотрите на среднее значение и дисперсию каждого класса. Просмотрите первые несколько строк, чтобы понять, о чем идет речь. Запустите pandas df.info () , чтобы узнать, какие функции являются непрерывными, категориальными, а также их тип (int, float, string). Затем удалите ненужные столбцы, которые не будут полезны при анализе и прогнозировании. Это могут быть просто столбцы, которые выглядят бесполезными, в которых многие строки имеют одинаковое значение (т. Е. Не дают много информации), или в нем отсутствует много значений. Мы также можем заполнить отсутствующие значения наиболее частым значением в этом столбце или медианой. Теперь мы можем начать делать некоторые базовые визуализации. Начните с высокоуровневых материалов.Сделайте несколько гистограмм для категорийных объектов с небольшим количеством групп. Гистограммы выпускных классов. Посмотрите на самые «общие черты». Создайте визуализации этих отдельных функций, чтобы попытаться получить некоторые базовые идеи. Теперь мы можем перейти к конкретным вопросам. Создавайте визуализации между объектами, по два или три за раз. Как функции связаны друг с другом? Вы также можете выполнить PCA, чтобы увидеть, какие функции содержат больше всего информации. Сгруппируйте некоторые функции вместе, чтобы увидеть их взаимосвязь.Например, что происходит с классами, когда A = 0 и B = 0? Как насчет A = 1 и B = 0? Сравните разные функции. Например, если признак А может быть либо «женским», либо «мужским», тогда мы можем построить график признака А, в котором они остались, чтобы увидеть, остаются ли самцы и самки в разных каютах. Помимо столбцов, разброса и других основных графиков, мы можем создавать PDF / CDF, наложенные графики и т. Д. Взгляните на некоторые статистические данные, такие как распределение, p-значение и т. Д. Наконец, пришло время построить модель машинного обучения. Начните с более простых вещей, таких как наивный байесовский метод и линейная регрессия.Если вы видите, что это отстой или данные сильно нелинейны, используйте полиномиальную регрессию, деревья решений или SVM. Функции могут быть выбраны в EDA в зависимости от их важности. Если у вас много данных, вы можете использовать нейронную сеть. Проверьте кривую ROC. Точность, отзыв.

Хотя всегда следует помнить о «теореме о запрете бесплатного обеда», есть несколько общих рекомендаций. Я написал здесь статью о том, как выбрать подходящую модель регрессии.Эта шпаргалка также великолепна!

Это было довольно интересно, так как это не то, о чем обычно спрашивают компании. Как и следовало ожидать, я получил этот вопрос от компании, специализирующейся на компьютерном зрении. Этот ответ состоит из двух частей. Во-первых, свертки сохраняют, кодируют и фактически используют пространственную информацию из изображения. Если бы мы использовали только слои FC, у нас не было бы относительной пространственной информации.Во-вторых, сверточные нейронные сети (CNN) имеют частично встроенную инвариантность трансляции, поскольку каждое ядро ​​свертки действует как собственный фильтр / детектор признаков.

Как объяснено выше, каждое ядро ​​свертки действует как свой собственный фильтр / детектор признаков. Допустим, вы выполняете обнаружение объекта, неважно, где именно на изображении находится объект, поскольку мы в любом случае будем применять свертку в виде скользящего окна по всему изображению.

Опять же, как и следовало ожидать, это роль в компьютерном зрении. Максимальное объединение в CNN позволяет сократить объем вычислений, поскольку после объединения ваши карты характеристик становятся меньше. Вы не потеряете слишком много семантической информации, так как используете максимальную активацию. Также существует теория, что max-pooling немного способствует тому, что CNN дает больше вариативности перевода. Посмотрите это отличное видео от Эндрю Нга о преимуществах max-pooling.

Кодер CNN можно в основном рассматривать как сеть извлечения признаков, в то время как декодер использует эту информацию для предсказания сегментов изображения путем «декодирования» признаков и масштабирования до исходного размера изображения.

Главное, что сделали остаточные соединения, — это предоставили прямой доступ к функциям из предыдущих слоев.Это значительно упрощает распространение информации по сети. В одной очень интересной статье об этом показано, как использование локальных пропускаемых соединений придает сети тип ансамблевой многолучевой структуры, предоставляя функциям несколько путей для распространения по сети.

Обучение глубоких нейронных сетей осложняется тем фактом, что распределение входных данных каждого слоя изменяется во время обучения, так как изменяются параметры предыдущих слоев.Идея состоит в том, чтобы нормализовать входные данные каждого уровня таким образом, чтобы у них было среднее активация выхода, равная нулю, и стандартное отклонение, равное единице. Это делается для каждой отдельной мини-партии на каждом уровне, т.е. вычисляют среднее значение и дисперсию только для этой мини-партии, а затем нормализуют. Это аналогично стандартизации входов в сети. Как это помогает? Мы знаем, что нормализация входных данных в сеть помогает ей учиться. Но сеть — это просто серия слоев, где выход одного слоя становится входом для следующего.Это означает, что мы можем рассматривать любой уровень нейронной сети как первый уровень меньшей последующей сети. Мы рассматриваем как серию нейронных сетей, взаимодействующих друг с другом, мы нормализуем вывод одного уровня перед применением функции активации, а затем передаем его на следующий уровень (подсеть).

У меня есть статья об этом! Отъезд №3 🙂

Это очень хорошо объяснено в статье VGGNet.Есть две причины: во-первых, вы можете использовать несколько ядер меньшего размера, а не несколько больших, чтобы получить такое же воспринимающее поле и захватить больший пространственный контекст, но с меньшими ядрами вы используете меньше параметров и вычислений. Во-вторых, поскольку с меньшими ядрами вы будете использовать больше фильтров, вы сможете использовать больше функций активации и, таким образом, получите более разборчивую функцию сопоставления, которую будет изучать ваша CNN.

Здесь вы действительно сможете установить связь между вашим исследованием и их бизнесом.Есть ли что-нибудь, что вы сделали или чему научились, что может быть связано с их бизнесом или ролью, на которую вы претендуете? Он не обязательно должен быть на 100% точным, просто каким-то образом связан, чтобы вы могли показать, что сможете напрямую добавить большую ценность.

То же, что и последний вопрос!

Дополнительные вопросы на собеседовании:

• Какая разница между систематической ошибкой и дисперсией?
• Что такое градиентный спуск?
• Объясните чрезмерную и недостаточную подгонку и как с ними бороться?
• Как бороться с проклятием размерности?
• Что такое регуляризация, почему мы ее используем и приводим несколько примеров общих методов?
• Объясните анализ главных компонентов (PCA)?
• Почему ReLU лучше и чаще используется, чем сигмоид в нейронных сетях?

Вот и все! Все вопросы на собеседовании, которые я получил при подаче заявки на вакансии в области науки о данных и машинного обучения.Надеюсь, вам понравился этот пост и вы узнали что-то новое и полезное!

Джордж Сейф — инженер по машинному обучению и самопровозглашенный «сертифицированный ботаник». Ознакомьтесь с другими его работами по передовым темам ИИ и науке о данных.

СвязанныеПодробнее о науке о данных

Радикально новый метод позволяет ИИ учиться практически без данных

Для машинного обучения обычно требуется множество примеров. Чтобы модель искусственного интеллекта распознала лошадь, вам нужно показать ей тысячи изображений лошадей.Это то, что делает эту технологию дорогостоящей с точки зрения вычислений — и сильно отличается от человеческого обучения. Ребенку часто нужно увидеть всего несколько примеров объекта или даже один, прежде чем он сможет распознать его на всю жизнь.

На самом деле детям иногда не нужно каких-либо примеров, чтобы что-то идентифицировать. Показав фотографии лошади и носорога и сказав, что единорог — это нечто среднее, они могут узнать мифическое существо в книжке с картинками, как только увидят его в первый раз.

MS TECH / PIXABAY

В новой статье Университета Ватерлоо в Онтарио говорится, что модели искусственного интеллекта также должны иметь возможность делать это — процесс, который исследователи называют «менее чем одним» снимком, или LO-выстрелом, обучением. Другими словами, модель ИИ должна уметь точно распознавать на объектов больше , чем количество примеров, на которых она была обучена. Это может иметь большое значение для области, которая становится все более дорогой и недоступной по мере того, как используемые наборы данных становятся все больше.

Исследователи впервые продемонстрировали эту идею, экспериментируя с популярным набором данных компьютерного зрения, известным как MNIST. MNIST, содержащий 60 000 обучающих изображений рукописных цифр от 0 до 9, часто используется для проверки новых идей в этой области.

В предыдущей статье исследователи Массачусетского технологического института представили метод «дистилляции» гигантских наборов данных на крошечные, и в качестве доказательства концепции они сжали MNIST до 10 изображений.Изображения не были выбраны из исходного набора данных, а были тщательно спроектированы и оптимизированы, чтобы содержать эквивалентный объем информации для полного набора. В результате при обучении исключительно на 10 изображениях модель ИИ может достичь почти такой же точности, как модель, обученная на всех изображениях MNIST.

WIKIMEDIA

TONGZHOU WANG ET AL.

Исследователи Ватерлоо хотели развить процесс дистилляции. Если можно уменьшить 60 000 изображений до 10, почему бы не сжать их до пяти? Хитрость, как они поняли, заключалась в том, чтобы создавать изображения, в которых смешиваются несколько цифр, а затем вводить их в модель ИИ с гибридными, или «мягкими», метками. (Вспомните лошадь и носорога, у которых есть частичные черты единорога.)

«Если вы думаете о цифре 3, она тоже похожа на цифру 8, но не на цифру 7», — говорит Илья Сухолуцкий, доктор философии. студент Ватерлоо и ведущий автор статьи.«Мягкие ярлыки пытаются уловить эти общие функции. Поэтому вместо того, чтобы сказать машине: «Это изображение — цифра 3», мы говорим: «Это изображение на 60% состоит из цифры 3, на 30% из цифры 8 и на 10% из цифры 0» »

После того, как исследователи успешно использовали программные метки для достижения обучения LO-shot в MNIST, они начали задаваться вопросом, насколько далеко может зайти эта идея. Есть ли ограничение на количество категорий, которые вы можете научить модель ИИ определять на крошечном количестве примеров?

Удивительно, но ответ, похоже, отрицательный.С помощью тщательно разработанных программных этикеток даже два примера теоретически могут кодировать любое количество категорий. «С двумя точками можно разделить тысячу классов, или 10 000 классов, или миллион классов», — говорит Сухолуцкий.

АДАПТИРОВАНО ИЗ СЛАЙДА ДЖЕЙСОНА МЕЙСА «МАШИННОЕ ОБУЧЕНИЕ 101»

Это то, что исследователи демонстрируют в своей последней статье посредством чисто математического исследования.Они воплощают концепцию в одном из простейших алгоритмов машинного обучения, известном как k-близких соседей (kNN), который классифицирует объекты с использованием графического подхода.

Чтобы понять, как работает kNN, рассмотрим в качестве примера задачу классификации фруктов. Если вы хотите обучить модель kNN, чтобы понять разницу между яблоками и апельсинами, вы должны сначала выбрать функции, которые вы хотите использовать для представления каждого фрукта. Возможно, вы выбираете цвет и вес, поэтому для каждого яблока и апельсина вы вводите в kNN одну точку данных с цветом фрукта в качестве значения x и весом в качестве значения y.Затем алгоритм kNN отображает все точки данных на двухмерной диаграмме и проводит линию границы прямо посередине между яблоками и апельсинами. На этом этапе график аккуратно разделен на два класса, и теперь алгоритм может решить, представляют ли новые точки данных одну или другую, в зависимости от того, на какую сторону линии они попадают.

Чтобы изучить обучение LO-shot с помощью алгоритма kNN, исследователи создали серию крошечных наборов синтетических данных и тщательно разработали их программные метки.Затем они позволили kNN построить граничные линии, которые он видел, и обнаружили, что успешно разбили график на большее количество классов, чем на точки данных. У исследователей также была высокая степень контроля над тем, где проходили границы. Используя различные настройки мягких этикеток, они могли заставить алгоритм kNN рисовать точные узоры в форме цветов.

ИЛЬЯ СУХОЛУТСКИЙ И др.

Конечно, у этих теоретических исследований есть некоторые ограничения. В то время как идея обучения LO-shot должна быть перенесена на более сложные алгоритмы, задача разработки примеров с мягкой меткой становится значительно сложнее. Алгоритм kNN является интерпретируемым и визуальным, что позволяет людям создавать этикетки; нейронные сети сложны и непроницаемы, а это значит, что то же самое может быть неверным.У дистилляции данных, которая работает для разработки примеров с мягкой меткой для нейронных сетей, также есть серьезный недостаток: она требует, чтобы вы начали с гигантского набора данных, чтобы сократить его до чего-то более эффективного.

Сухолуцкий говорит, что сейчас он работает над поиском других способов конструирования этих крошечных синтетических наборов данных — будь то конструирование их вручную или с помощью другого алгоритма. Однако, несмотря на эти дополнительные исследовательские проблемы, в статье представлены теоретические основы обучения LO-выстрелу.«Вывод заключается в том, что в зависимости от того, какие наборы данных у вас есть, вы, вероятно, сможете добиться значительного повышения эффективности», — говорит он.

Это то, что больше всего интересует Тунчжоу Вана, аспиранта Массачусетского технологического института, который руководил более ранним исследованием дистилляции данных. «Работа строится на действительно новой и важной цели: изучении мощных моделей на основе небольших наборов данных», — говорит он о вкладе Сухолуцкого.

Райан Хурана, исследователь из Монреальского института этики искусственного интеллекта, разделяет это мнение: «Что еще важнее,« обучение менее чем одним выстрелом радикально снизит требования к данным для построения функционирующей модели.«Это может сделать ИИ более доступным для компаний и отраслей, которым до сих пор мешали требования к данным в этой области. Это также могло бы улучшить конфиденциальность данных, поскольку для обучения полезных моделей нужно было бы получать меньше информации от отдельных лиц.

Сухолуцкий подчеркивает, что исследования еще рано, но он взволнован. Каждый раз, когда он начинает представлять свою работу коллегам-исследователям, их первая реакция — говорить, что идея невозможна, — говорит он. Когда они внезапно понимают, что это не так, открывается целый новый мир.

Обзор алгоритмов машинного обучения для диагностики психических заболеваний

Задача: Усовершенствованные технологии в компьютерах и Интернете привели к увеличению масштабов и качества данных в различных областях, включая секторы здравоохранения. Машинное обучение (ML) сыграло ключевую роль в эффективном анализе этих больших данных, но общее непонимание алгоритмов ML по-прежнему существует при их применении (например,g., методы машинного обучения могут решить проблему небольшого размера выборки, или глубокое обучение — это алгоритм машинного обучения). В этой статье дан обзор исследований по диагностике психических заболеваний с использованием алгоритма машинного обучения и предложено, как методы машинного обучения могут применяться и работать на практике.

Методы: Были тщательно проанализированы исследования по диагностике психических заболеваний с использованием методов машинного обучения. Были систематизированы и обобщены пять традиционных алгоритмов машинного обучения — машины опорных векторов (SVM), машины повышения градиента (GBM), случайного леса, наивного байеса и K-ближайшего окружения (KNN), которые часто используются для исследований в области психического здоровья.

Полученные результаты: На основе обзора литературы выяснилось, что машины опорных векторов (SVM), Gradient Boosting Machine (GBM), Random Forest, Naïve Bayes и K-Nearest Neighborhood (KNN) часто использовались в области психического здоровья, но многие исследователи этого не сделали. прояснить причину использования их алгоритма машинного обучения, хотя каждый алгоритм машинного обучения имеет свои преимущества. Кроме того, было проведено несколько исследований по применению алгоритмов машинного обучения без полного понимания характеристик данных.

Заключение: Исследователи, использующие алгоритмы машинного обучения, должны осознавать свойства своих алгоритмов машинного обучения и ограничения результатов, полученных в условиях ограниченного доступа к данным.