План урока алгоритмы машинного обучения 11 класс
Обновлено: 05.07.2024
2. Что такое машинное обучение? Точка зрения Wikipedia
3. Виды машинного обучения
Обучение с учителем:
Данные размечены, правильные ответы на задачу известны.
Обучение без учителя:
Данные не размечены, правильные ответы неизвестны.
Обучение под наблюдением (semi-supervised):
Смесь (небольшого количества) размеченных примеров и (большого
количества) неразмеченных примеров. Гибридный подход.
Reinforcement learning:
Награды в зависимости от действий, выполняемых агентом.
3
4. Хронология развития машинного обучения
5. Основные вехи развития машинного обучения
1951 - первая нейронная сеть;
1952 - компьютеры, играющие в шашки;
1972 - создан язык Пролог;
1986 - обратное распространение ошибки;
1989 - открытие reinforcement learning;
1995 - алгоритм случайного леса;
1997 - IBM Deep Blue побеждает Каспарова в шахматах;
2010 - GAN описаны в научной статье;
2012 - распознавание кошек на YouTube;
2016 - AlphaGo побеждает Ли Седоля в Го;
2017 - AlphaZero побеждает AlphaGo;
2019 - GPT-2, StyleGAN.
5
6. Достижения машинного обучения: GPT-2
Крупномасштабная модель языка построенная на алгоритмах без учителя, которая
генерирует согласованные абзацы текста, достигает современного уровня
производительности во многих тестах моделирования языка и выполняет элементарное
понимание текста, машинный перевод, ответы на вопросы и обобщение - и все это без
обучения по конкретным задачам.
GPT-2 - это большая языковая модель на основе transformer с 1,5 миллиардами
параметров.
GPT-2 обучается с простой целью: предсказать следующее слово, учитывая все
предыдущие слова в некотором тексте.
6
7. Достижения машинного обучения: GPT-2
8. Достижения машинного обучения: GPT-2
9. Достижения машинного обучения: Google DeepMind AlphaGo и AlphaZero
2016: AlphaGo впервые обыграл профессионального игрока в го без каких-либо
ограничений;
2017: AlphaGo побеждает Ли Седоля;
2017: AlphaZero, после 24 часов тренировок, побеждает AlphaGo.
Шахматы: AlphaZero тренировался по шахматам в общей сложности за девять
часов до турнира против Stockfish 8 и показал превосходные результаты.
Сёги: AlphaZero тренировался на сёги в общей сложности два часа до турнира.
90 побед из 100 матчей.
9
10. Достижения машинного обучения: GAN
11. Достижения машинного обучения: GAN
12. Достижения машинного обучения: GPT-2
13. Достижения машинного обучения: Nvidia GauGAN
14. Проблемы машинного обучения: выбор модели и гиперпараметров
15. Проблемы машинного обучения: adversarial examples
16. Проблемы машинного обучения: adversarial examples
17. Проблемы машинного обучения: функция награды
18. Проблемы машинного обучения: функция награды
19. Проблемы машинного обучения: Q*bert (University of Freiburg)
20. Подходы к машинному обучению
Контролируемое обучение - это задача машинного обучения, состоящая в
формировании функции, которая отображает входные данные в выходные данные на
основе примеров пар ввода-вывода.
Классификация и регрессия являются двумя наиболее распространенными задачами для
контролируемого обучения.
Линейная регрессия;
Наивный Байес;
Нейронные сети (многослойный персептрон);
Деревья решений.
20
21. Выбор подхода
Дилемма смещения–дисперсии
Чем гибче алгоритм, тем выше дисперсия. Чем менее гибкий алгоритм, тем
выше смещение.
Сложность функции и количество обучающих данных
Простые модели требуют меньше данных, но могут соответствовать только
простым функциям.
Размерность
Слишком большое количество измерений может затруднить выявление
закономерности в данных.
Шум
Низкая точность против переобучения.
21
22. Линейная регрессия
В линейной регрессии отношения моделируются с
использованием функций линейного предиктора, чьи
неизвестные параметры модели оцениваются по
данным.
0
22
23. Naïve Bayes
24. Многослойный персептрон
Три слоя узлов: входной слой, скрытый слой и
выходной слой;
Использует обратное распространение ошибки
для обучения;
Нелинейная функция активации;
24
25. Дерево принятия решений
26. Дерево принятия решений
Недостатки:
Нестабильное: небольшие изменения в данных могут привести к
значительным изменениям в дереве решений.
Неточное. Многие другие предикторы работают с аналогичными
данными лучше.
Для данных, включающих в себя категориальные переменные с
различным количеством уровней, прирост информации в деревьях
решений смещается в пользу атрибутов с большим количеством
уровней.
Расчеты могут быть очень сложными.
26
27. Случайный лес
Множество деревьев решений, выводящих класс,
который является модой классов (классификация) или
средним прогнозом (регрессия) отдельных деревьев.
Исправляет проблему с деревьями решений по их
подгонке к тренировочному набору.
27
28. GBDT
Gradient Boosting объединяет множество слабых моделей машинного
обучения в одну сильную итеративным способом, обычно используется с
деревьями решений.
Каждое дерево-преемник учится прогнозировать ошибки предыдущих
деревьев в ансамбле.
28
29. Оценки качества моделей
Регрессия:
Средняя абсолютная ошибка, среднеквадратичная
ошибка.
Классификация:
Точность, полнота, accuracy.
29
30. Успехи машинного обучения с учителем
Прогноз погоды;
Прогнозы продолжительности поездки;
Медицинские диагнозы;
Прогнозы продуктивности нефтяных скважин;
Прогнозы продолжительности вычислений на HPC;
30
31. Провалы машинного обучения с учителем
32. Подходы машинного обучения без учителя
Кластеризация
Иерархическая кластеризация;
K-средние;
DBSCAN;
Обнаружение аномалий
Метод локальных выбросов
Нейронные сети
GAN
32
33. Иерархическая кластеризация
34. K-means
Целью является разделение n наблюдений на k кластеров, в
которых каждое наблюдение принадлежит кластеру с ближайшим
средним значением, служащим прототипом кластера.
1. Назначьте каждое наблюдение кластеру, среднее значение
которого имеет евклидово расстояние с наименьшим квадратом;
2. Рассчитайте новые средние значения (центроиды) наблюдений в
новых скоплениях.
Начальные средние генерируются случайным образом.
34
35. DBSCAN
Density-based spatial clustering of applications
with noise.
Группирует в один кластер точки, которые
находятся рядом и у которых много соседей.
Считает выбросами точки, находящиеся в
регионах с низкой плотностью.
35
36. Обнаружение аномалий
Сравнивая локальную плотность объекта с локальными
плотностями его соседей, можно идентифицировать
области с одинаковой плотностью и точки, которые имеют
существенно меньшую плотность, чем их соседи. Такие
точки считаются выбросами.
36
37. GAN
Генеративная сеть генерирует кандидатов, а
дискриминационная сеть оценивает их.
Известный набор данных служит начальными данными
обучения для дискриминатора.
Генератор тренируется в зависимости от того, удастся ли
ему обмануть дискриминатор.
Обе сети используют обратное распространение ошибки
для обучения.
37
38. Успехи обучения без учителя
39. Провалы обучения без учителя
40. Оценка качества моделей
41. Популярные библиотеки
Scikit-learn: линейная и логистическая регрессии, деревья решений,
кластеризация, k-средние и т. д.
TensorFlow: DeepLearning, поддержка GPU.
Theano: То же, что и TensorFlow.
Pandas: подготовка данных.
Matplotlib: визуализация данных.
41
42. Выбор модели на примере scikit-learn
43. Hadoop для машинного обучения
Классификация и регрессия
Линейные модели (SVM, логистическая регрессия, линейная регрессия)
Наивный байесовский классификатор;
Деревья принятия решений;
Ансамбли деревьев (случайные леса и деревья с градиентным бустом)
Изотоническая регрессия
Кластеризация
k-means
Gaussian mixture
power iteration clustering (PIC)
latent Dirichlet allocation (LDA)
streaming k-means
43
44. Заключение
Машинное обучение позволяет решать задачи, которые
казались фантастикой ещё 5 лет назад;
Машинное обучение требует осторожного обращения,
вложений в аппаратное обеспечение, и большого количества
данных для повышения качества моделей;
Сбои моделей машинного обучения могут быть
неожиданными и катастрофическими;
Тем не менее, успешное решение задач, которые кажутся
фантастикой, часто оправдывает риски и расходы.
44
Свидетельство и скидка на обучение каждому участнику
Зарегистрироваться 15–17 марта 2022 г.
Муниципальное бюджетное общеобразовательное учреждение
средняя общеобразовательная школа № 16 г. Невинномысска Ставропольского края
Урок информатики на тему:
в рамках Всероссийской образовательной акции
КЛАСС: 8А класс
УЧИТЕЛЬ: Назаренко Людмила Николаевна
КОЛИЧЕСТВО ЧАСОВ: 1 час
г.Невинномысск, 2019 год
Конспект урока
Данные об учителе: Назаренко Людмила Николаевна, учитель информатики МБОУСОШ №16 г. Невинномысска
Предмет: информатика Класс: 8 Учебник Босова Л.Л. Информатика: учебник для 8 класса/Л.Л. Босова, А.Ю. Босова. -2017г
Тема урока: Искусственный интеллект и машинное обучение.
Цель: создание условий для осознания школьниками важности построения дальнейшей индивидуальной образовательной траектории и ранней профориентации через знакомство с перспективными направлениями развития ИТ-индустрии (на примере искусственного интеллекта и машинного обучения).
Образовательные : Познакомить школьников с основными проблемами, которые решаются с помощью современных интеллектуальных систем;
Развивающие : Расширить представление школьников о технологиях машинного обучения и перспективах развития этого направления ИТ-индустрии; познакомить с основными видами задач, решаемых с помощью систем машинного обучения в разных областях и сферах деятельности человека.
Воспитательные : акцентирование внимания на том, чтобы познакомить школьников с современным уровнем развития технологий на примере технологий искусственного интеллекта, которые не только улучшат качество жизни и работы людей, но значительно ускорят и изменят процессы и способы решения различных задач, требуя от специалистов любых профессий в будущем (в том обществе, в котором им жить!) дополнительных навыков и компетенций, многие из которых связаны с умением программировать (разрабатывать алгоритмы, писать программы для различных устройств и систем, логически и системно мыслить и т.п.).
Форма работы : Индивидуальная, групповая, фронтальная.
Метапредметные связи : Физика, математика
Тип урока : открытие новых знаний.
Оборудование: мультимедийный проектор, компьютерная презентация (приложение 1), видеоролик, компьютерный тренажер, инструкция по ТБ в компьютерном классе, Интернет.
Планируемые результаты:
Познавательные
Личностные
Коммуникативные
Регулятивные
Учащиеся научатся работать с информацией, анализировать и структурировать полученные знания и синтезировать новые, устанавливать причинно-следственные связи
личностное и профессиональное самоопределение (самооценка через осознание возможностей интеллектуальных систем, мотивация к получению профессий в наукоемких областях через интерес к достижениям в области искусственного интеллекта)
Разовьют умение участвовать в диалоге; сотрудничать с одноклассниками в поиске и сборе информации; принимать решения и реализовывать их; точно выражать свои мысли.
ставить цель и находить оптимальные способы ее достижения, проводить ситуационную и ретроспективную рефлексию, участвуя в подведении итогов отдельных этапов и урока в целом
Описание этапов урока
Задачи этапа
Деятельность учителя
Деятельность ученика
Проверить готовность детей к уроку. Настроить на работу
Организует проверку готовности детей. Настраивает на работу.
Готовятся. Занимают рабочие места.
Постановка цели и задач урока. Мотивация учебной деятельности учащихся.
Показать необходимость изучения данного вопроса.
Демонстрирует видеоролик.
Смотрят видеоролик. Формулируют тему урока. Отвечают на вопросы.
Раскрыть назначение искусственного интеллекта, типы ИИ, историю возникновения и этапы развития, этапы сферы его применения.
Существует ли уже ИИ?
Что такое ИИ?
ИИ - это, прежде всего, научная область, занимающаяся созданием программ и устройств, имитирующих интеллектуальные функции человека.
Это достаточно общее определение, ведь интеллектуальных функций очень много!
Вопрос: Какими же интеллектуальными (умными) способностями мы обладаем?
Например, это может быть способность играть в разные игры, запоминать и анализировать что-то, а также это такие понятные для нас с вами вещи, как способность передавать и получать информацию с помощью речи, читать и узнавать, что изображено перед нами, рисовать, писать музыку.
Современные специалисты делят область Искусственного Интеллекта на две большие группы - специализированный (или слабый) и сильный:
● слабый Искусственный Интеллект (название говорит за себя) решает и справляется только с какими-то конкретными задачами, например, играть в шахматы, или находить и фильтровать спам в почте, опознать котика на фотографии.
● сильный Искусственный Интеллект - это те самые персонажи (роботы и компьютеры), которых мы видим в фильмах, играх и научной фантастике. Они способны осознать себя и во всем соответствовать человеку или даже превзойти его!
Как и почему появилось такое разделение - отдельная интересная тема.
Просмотр видеоролика. История появления ИИ.
Вместо поиска общих алгоритмов интеллекта разработчики переключились на инженерный подход. А именно, взять живых людей, как носителей того самого интеллекта, и описать их знания в понятном для машины формате.
Простейшим и самым распространенным видом таких знаний стали простые правила вида ЕСЛИ-ТО, как мы уже вам показали. Этот подход был назван экспертными системами , так как в его построении участвовали эксперты в своих областях.
И только около 30 лет назад, в 90-е годы XX века (примерно когда ваши мамы и папы еще ходили в школу) математики наконец разработали новые алгоритмы, которые стали самым серьезным прорывом в области искусственного интеллекта.
Новые алгоритмы позволили машинам обучаться самим, анализируя разную информацию, приобретая новые знания . Этот подход и получил название - машинное обучение.
Самое главное, что для этого необходимо - набор данных, в которых будут четко обозначены объекты и соответствующая им реакция машины (ответы). Объектами будут данные, которые подаются на вход алгоритма, а ответами - то, что алгоритм должен предсказать.
Машинное обучение не стоит на месте, и на этом история не заканчивается! В последние годы исследователи стали больше заниматься интеллектуальными задачами, окружающими нас с вами.
Это и поисковые системы, целиком построенные за счет машинного обучения, и анализ текста, помогающего нам не только фильтровать спам и бороться с злоумышленниками, но и отвечать на вопросы.
Что же до шахмат - исследователи с 60-ых годов обещали одолеть в них человека еще тогда, но достичь этого удалось только с приходом машинного обучения. В 1997 году прошел исторический матч между чемпионом мира в то время Гарри Каспаровым, и алгоритмом от IBM Deep Blue. Алгоритм успешно одолел чемпиона мира, и с тех пор лучшими игроками в шахматы мира являются алгоритмы.
Слайды 13 – 18 .
А еще в машинном обучении произошла настоящая революция в распознавании изображений - новые алгоритмы (глубокого обучения и глубоких нейронных сетей - так они называются!), существенно расширили возможности работы с изображениями.
С их приходом произошел качественный скачок: к 2015 году они уже достигли сопоставимых с людьми результатов и даже превзошли их. Удивительный факт - сегодня нейронные сети могут отличить изображение котика от собачки, а собачку от кексика на фотографии, точнее чем человек!
Демонстрация систем ИИ
А еще нейронные сети нашли применение в множестве креативных задач, о которых люди раньше даже не задумывались:
это и стилизация с перерисовкой фотографий, как во многих популярных приложениях где можно стилизовать ваше фото под классиков живописи;
создание новых реалистичных изображений, включая фотографии людей,
а также бесконечный поток комиксов, отрисованных нейронными сетями;
Недалек тот день, когда алгоритмы смогут генерировать нам еще целые видеоролики, вплоть до видеороликов с придуманным нами сюжетом под заказ.
Учитывая все достижения, сейчас семимильными шагами развивается робототехника. Успехов пока не так много, но в ближайшие несколько лет исследователи справятся с имеющимися трудностями. Причем может быть, среди этих исследователей будете и вы.
Эта область никогда не стоит на месте, все время появляются новые приложения и совершаются существенные прорывы. В ней, как никогда и как нигде, востребованы новые исследователи, и сейчас отличное время, чтобы начать этим заниматься.
А для этого нужно все время учиться, пробовать новые инструменты и экспериментировать. Невозможно учить машины и проектировать искусственный интеллект, если не достаточно хорошо умеешь учиться сам!
Формулируют определение ИИ, записывают его в тетради. Отвечают на вопросы. Участвуют в дискуссии.
Первичное усвоение новых знаний.
Выполнение практического задания
Показать практическое применение технологии машинного обучения с использованием программных средств.
Вам предстоит наладить работу зоопарка, где большую часть работы выполняют роботы. На начальном этапе роботы будут постоянно допускать какие-то ошибки, например, собакам будет доставаться корм для кошек, а игрушки для кошек попадать в секцию для волков. Это происходит из-за того, что робот не понимает, кто где находится, а просто работает по алгоритму, который уже давно не обновлялся. Вместо того, чтобы перепрограммировать робота каждый раз, лучше научить его отличать зверей друг от друга. И здесь нам на помощь придет искусственный интеллект.
Контролирует работу детей. Помогает. Консультирует. Советует.
Выявить эмоциональное состояние после урока.
Что вы чувствовали при работе с программой?
Понравилась ли она вам? Удобна ли для использования?
Выражают собственное мнение, аргументируют его.
Продолжить работу в он-лайн тренажере, получить сертификат, распечатать его
I. Планируемые результаты освоения учебного курса
Личностные:
– формирование мировоззрения, соответствующего современному уровню развития науки;
– формирование основ саморазвития и самовоспитания в соответствии с уровнем развития общества;
– готовность и способность к самостоятельной, творческой и ответственной деятельности;
– развитие навыков сотрудничества со сверстниками, взрослыми в образовательной, общественно полезной, учебно-исследовательской, проектной и других видах деятельности;
– осознанный выбор будущей профессии и возможностей реализации собственных жизненных планов.
Метапредметные:
– самостоятельно определять цели деятельности и составлять планы деятельности;
– самостоятельно осуществлять, контролировать и корректировать деятельность;
– использовать все возможные ресурсы для достижения поставленных целей и реализации планов деятельности;
– выбирать успешные стратегии в различных ситуациях;
– применять навыки познавательной, учебно-исследовательской и проектной деятельности в повседневной жизни;
– использовать средства информационных и коммуникационных технологий в решении прикладных задач.
Предметные:
– использовать управляющие конструкции языка программирования Python и библиотеки для разработки программ;
– осуществлять тестирование и отладку программного кода;
– применять пакеты программ и сервисы для обработки и представления больших массивов данных;
– разрабатывать интерактивные платформы с использованием различных инструментов программирования;
– создавать модели управления данными с использованием облачных технологий;
– анализировать и обрабатывать данные с помощью методов машинного обучения;
– применять методы обучения нейронных сетей в области использования искусственного интеллекта;
– применять наиболее эффективные алгоритмы машинного обучения и методы работы с большими объёмами данных.
– разрабатывать web-приложения;
– выполнять отладку и рефакторинг кода.
II. Содержание курса
Язык программирования Python
Интерактивная среда разработки. Основы синтаксиса языка программирования Python. Автоматизация работы. Линейные операторы. Математические функции. Условные операторы. Циклические операторы. Функции. Массивы. Процедуры. Строки. Библиотеки.
Модели и алгоритмы машинного обучения
Классификация и регрессия. Алгоритмы машинного обучения с учителем. Линейные модели. Деревья решений. Нейронные сети. Типы машинного обучения без учителя. Кластеризация. Предварительная обработка и масштабирование.
Разработка приложений в сфере машинного обучения
Получение наборов данных (dataset). Анализ данных. Тренировка моделей машинного обучения. Динамическое программирование. Разработка web-приложения на flask.
Некоторые: рассуждать о преимуществах и недостатках нейронных сетей.
1) Нужно зарегистрироваться/авторизоваться на сайте.
2) Добавить материал (публикацию) на сайт. ссылка на добавление материала.
В топе показаны авторы, у которых самое большое количество публикаций. Подробная инструкция для публикации материала
Читайте также: