В этой статье рассматриваются подробности базовых алгоритмов, выбранных байесианцами, символистами и коннекционистами. Эти научные школы представляют настоящую и будущую грани обучения на основе данных, поскольку любой прогресс в искусственном интеллекте, подобном человеческому, ожидается именно от них, по крайней мере пока не произойдет новый прорыв с новыми, более невероятными и мощными алгоритмами обучения. Конечно, сцена машинного обучения значительно шире этих трех алгоритмов, но основное внимание в данной главе уделяется именно этим трем научным школам из-за их роли в текущем положении искусственного интеллекта. Вот краткое описание рассматриваемых подходов.
Наивный байесовский классификатор. Этот алгоритм может быть куда точнее врача при диагностировании некоторых болезней. Кроме того, один и тот же алгоритм может и обнаруживать спам, и прогнозировать впечатление от текста. Он также широко используется в Интернете для упрощения обработки больших объемов данных. Байесовская сеть — этот граф дает представление о сложности мира в терминах вероятности.
Дерево решений. Тип алгоритма, представляющий символистов лучше всего. Дерево решений имеет длинную историю и демонстрирует, как искусственный интеллект способен принимать решения, поскольку он напоминает серию вложенных решений, которые можно представить, как дерево.
алгоритмы каждого типа делятся на подкатегории. Например, деревья решений подразделяются на деревья регрессий, деревья классификации, бустинговые деревья, бустинговые объединенные деревья и лес случайностей. Можно даже выделить подтипы и подразделы. Классификатор леса случайностей — это своего рода бустинговое объединенное дерево, и далее в том же духе. Закончив с уровнями, вы увидите, что количество реальных алгоритмов исчисляется тысячами. Короче говоря, эта книга дает лишь краткий обзор более сложной темы, для рассмотрения которой во всех подробностях может потребоваться много томов. Главное — получить представление о типах алгоритмов и не утонуть в подробностях.
Ожидание следующего прорыва
В 1980-х годах, когда миром искусственного интеллекта правили экспертные системы, большинство ученых и практиков считали машинное обучение второстепенной ветвью искусственного интеллекта, сосредоточенной на обучении тому, как лучше соответствовать простой окружающей обстановке с использованием оптимизации. Сегодня у машинного обучения верховенство в искусственном интеллекте, оно даже превзошло экспертные системы во многих приложениях и исследовательских разработках, а приложения искусственного интеллекта оно подняло на такую высоту, которую ученые ранее считали невозможной по точности и эффективности. Нейронные сети, решение, предложенное коннекционистами, также добивались прогресса за последние несколько лет, ставшего возможным благодаря сочетанию увеличения возможностей аппаратных средств, более подходящих данных и усилий таких ученых, как Джеффри Хинтон, Ян Лекун, Иошуа Бенгио и многих других.
Возможности алгоритмов нейронной сети ежедневно расширяются. Новости пестрят сообщениями о новых достижениях в областях распознавания звука, образов и видео, языковом переводе и даже чтении по губам. Усовершенствования — это результат хорошего финансирования большими и малыми компаниями, позволяющего привлечь исследователей и создать лучшее программное обеспечение, такое как TensorFlow от Google и CNTK от Microsoft, предоставляющее доступ к технологии и ученым, и практикам.
В ближайшем будущем ожидаются еще более сенсационные новости в области искусственного интеллекта. Конечно, исследователи всегда могут снова наткнуться на стену, как случалось в предыдущие зимы искусственного интеллекта. Никто не может знать, достигнет ли искусственный интеллект человеческого уровня при уже существующей технологии или кто-то откроет верховный алгоритм, поскольку Педро Домингос прогнозирует, что он решит все проблемы искусственного интеллекта. Однако машинное обучение — это, конечно, не причуда и не миф; оно существует и будет существовать в улучшенной форме или в форме неких новых алгоритмов.