10. Система с экспертными знаниями (Expert System)
Экспертные системы – это программы, которые принимают решения, основанные на правилах, созданных экспертами в определенной области. Эти системы используются в ситуациях, где требуется принятие решений, например, в медицинских диагностиках или юридических консультациях. Экспертные системы могут работать с большим объемом данных и использовать их для получения рекомендаций.
11. Автоматизация (Automation)
Автоматизация с помощью искусственного интеллекта – это использование AI для выполнения рутинных или сложных задач без вмешательства человека. AI может автоматизировать такие процессы, как анализ данных, управление производственными линиями или даже составление расписаний для сотрудников.
12. Обучение на примерах (Supervised Learning)
Обучение с учителем (supervised learning) – это процесс, при котором модель обучается на заранее размеченных данных, где каждому входному значению уже сопоставлен правильный ответ. Модель использует эти данные для предсказания или классификации новых данных. Это один из самых распространенных типов машинного обучения.
13. Обучение без учителя (Unsupervised Learning)
Обучение без учителя (unsupervised learning) – это метод машинного обучения, при котором модель работает с неразмеченными данными и пытается найти закономерности или структуру в этих данных. Это может быть полезно, например, для группировки пользователей с похожими интересами или для выявления скрытых трендов в данных.
Заключение
В этой главе мы рассмотрели некоторые из самых важных терминов и понятий, которые составляют основу искусственного интеллекта. Понимание этих основ поможет вам легче ориентироваться в мире AI и оценивать, как эти технологии влияют на различные сферы жизни. В следующих главах мы углубимся в более конкретные примеры и применения AI, чтобы показать, как эти понятия реализуются в реальных системах и продуктах.
Глава 4. Как AI учится: алгоритмы и модели
Искусственный интеллект (AI) не работает как обычная программа, где для выполнения каждой задачи требуется строгая последовательность инструкций. Вместо этого AI учится на основе данных, обнаруживает закономерности и адаптируется, чтобы улучшить свои прогнозы или решения. В этой главе мы рассмотрим, как именно AI учится, какие алгоритмы и модели лежат в основе этого процесса, а также как их можно применять в реальных задачах.
1. Алгоритмы машинного обучения
Машинное обучение (ML) – это основной способ, с помощью которого AI обучается. В отличие от традиционного программирования, где каждое действие четко прописано, в машинном обучении алгоритмы могут самостоятельно выявлять закономерности в данных и совершенствовать свою работу с каждым новым примером. Рассмотрим несколько ключевых типов алгоритмов машинного обучения.
a) Алгоритм обучения с учителем (Supervised Learning)
Алгоритм обучения с учителем использует размеченные данные для обучения модели. Это значит, что для каждой обучающей выборки известен правильный ответ, и задача алгоритма – на основе этих данных научиться предсказывать ответ для новых, незнакомых примеров.
Пример: Представьте, что вы хотите обучить модель распознавать фотографии котов и собак. Для этого вы предоставляете модели большое количество изображений, на которых уже указано, есть ли на них кот или собака. Модель анализирует изображения, ищет различия между ними и использует эти различия для классификации новых изображений.
