Лекция Введение. Введение в машинное обучение и его основные концепции

Лекция 1. Введение. Введение в машинное обучение и его основные концепции.
План:

1. 
   Введение. Основные понятия машинного обучения.
   
2. 
   Статистические методы и их роль в машинном обучении.
   
3. 
   Искусственность машинного обучения, применение в разведке. Приложения в различных областях.
   
4. 
   Существующие приложения МО и их возможности.
   

1. 
   К основным понятиям машинного обучения относят:
   

DataMining – интеллектуальный анализ данных.
TimeSeries DataMining – интеллектуальный анализ временных рядов.
Априорная вероятность – назначенная событию вероятность, при условии отсутствия знаний, поддерживающих его наступление.
Задача классификации – распределение некоторого множества объектов по заданному множеству групп (классов).
Задача кластеризации – разделение некоторого множества объектов на непересекающиеся группы (кластеры) таким образом, чтобы каждая группа состояла из схожих объектов, а объекты разных кластеров существенно отличались.
Задача регрессии – приближение неизвестной целевой зависи- мости на некотором множестве данных.
Задача таксономии – задача построения древообразной иерар- хической структуры, упорядочивающей исходные данные.
Закон распределения – функция, определяющая для выборки вероятность попадания в некоторый интервал или вероятность полу- чения определенного значения.
Знание – совокупность утверждений о закономерностях и свой- ствах процессов и явлений, а также связывающих их правил логического вывода и правил использования их при принятии решений.
Недообучение – ситуация, когда алгоритм при обучении с учи- телем не дает удовлетворительно малой средней ошибки на обучающем множестве.
Нечеткая логика – логика, оперирующая нечеткими выска- зываниями и рассуждениями на базе частичной истинности.
Обучение – способность алгоритма при решении задач некото- рого класса выдавать на некотором опыте лучшие результаты в смысле заданной меры качества при предъявлении нового опыта.
Переобучение – свойство натренированного алгоритма на объектах тренировочной выборки давать существенно меньшую вероятность ошибки, чем на объектах тестовой.
Энтропия – мера неупорядоченности системы.
Машинное обучение нацелено на создание систем, способных получать знания из данных, а также способных с помощью обучения улучшать показатели своей работы.
Таким образом, можно утверждать, что машинное обучение является
одной из областей науки о данных (DataScience). На рисунке 1
представлены ее составляющие и показано место машинного обучения среди них.