Презентация на тему «Машинное обучение»

Слайд 1. Машинное обучение

• Как компьютерные системы извлекают закономерности из данных и принимают решения без явно запрограммированных правил

Доклад: Здравствуйте! Тема нашей презентации — машинное обучение. Это направление информационных технологий, в котором программа сама находит закономерности в данных, вместо того чтобы получать готовые правила от разработчика. Сегодня мы разберём, как устроено машинное обучение, какие задачи оно решает и где применяется на практике.

Слайд 2. Содержание

• Введение
• Понятийный аппарат
• История развития
• Учёные, заложившие основы
• Виды машинного обучения
• С учителем или без учителя
• Типовые задачи
• Этапы построения модели
• Данные и вычислительные ресурсы
• Основные алгоритмы
• Линейная регрессия
• Метрики качества
• Переобучение и недообучение
• Искусственные нейронные сети
• Глубокое обучение
• Отрасли применения
• Машинное обучение в медицине
• Риски и этические вопросы
• Перспективы развития
• Выводы
• Список литературы

Доклад: Работа построена так: сначала мы определимся с понятиями и вспомним историю направления, затем разберём виды обучения, типовые задачи и этапы построения модели. Вторая половина посвящена нейронным сетям, отраслям применения, рискам и перспективам. Завершим выводами и списком использованной литературы.

Слайд 3. Введение

• Объём данных, создаваемых человечеством, удваивается каждые два-три года, и обрабатывать их вручную уже невозможно — нужны самообучающиеся алгоритмы.
• Машинное обучение лежит в основе поисковых систем, голосовых помощников, банковского скоринга, медицинской диагностики и беспилотного транспорта.
• Спрос на специалистов, умеющих строить и проверять модели, устойчиво растёт: это одна из самых востребованных инженерных профессий десятилетия.
• Понимание принципов машинного обучения необходимо студенту любого технического направления, чтобы осознанно применять готовые инструменты и видеть их ограничения.

Доклад: Актуальность темы объясняется просто: данных стало столько, что обработать их вручную физически невозможно, а ценность спрятанных в них закономерностей огромна. Машинное обучение уже работает внутри поисковых систем, голосовых помощников, банковских сервисов и медицинской диагностики. Поэтому разбираться в его принципах сегодня нужно не только программисту, но и любому инженеру.

Слайд 4. Понятийный аппарат

• Машинное обучение — раздел искусственного интеллекта, в котором программа выводит правила из данных, а не получает их от программиста.
• Обучающая выборка — набор примеров, на которых модель настраивает свои параметры.
• Признак — измеримое свойство объекта: возраст клиента, площадь квартиры, яркость пикселя.
• Модель — математическая функция, связывающая признаки объекта с предсказанием.
• Целевая переменная — величина, которую требуется предсказать: цена, класс, вероятность события.

Доклад: Начнём с языка, на котором говорят специалисты. Машинное обучение выводит правило из данных, обучающая выборка — это набор примеров для настройки, признак — измеримое свойство объекта, модель — функция, связывающая признаки с предсказанием, а целевая переменная — то, что мы хотим предсказать. Эти пять терминов будут встречаться на каждом следующем слайде.

Слайд 5. История развития

• Идея обучающейся машины появилась раньше, чем массовые цифровые компьютеры.
• Развитие шло волнами: подъёмы интереса сменялись периодами разочарования и сокращения финансирования.
• Решающими факторами последнего рывка стали дешёвые вычисления и доступность больших массивов данных.
• 1943 — модель формального нейрона
• 1957 — перцептрон Розенблатта
• 1986 — обратное распространение ошибки
• 1997 — машина обыграла чемпиона мира
• 2012 — прорыв глубоких сетей в зрении
• 2020-е — большие языковые модели

Доклад: История направления старше, чем кажется. Формальный нейрон описали ещё в сорок третьем году, перцептрон Розенблатта появился в пятьдесят седьмом, а метод обратного распространения ошибки — в восемьдесят шестом. После шахматной победы машины в девяносто седьмом и прорыва глубоких сетей в двенадцатом году развитие стало лавинообразным. Обратите внимание: подъёмы интереса не раз сменялись периодами разочарования.

Слайд 6. Учёные, заложившие основы

• Фрэнк Розенблатт, 1928–1971, Создатель перцептрона — первой обучающейся нейронной сети
• Джеффри Хинтон, род. 1947, Развил метод обратного распространения ошибки и вернул интерес к нейронным сетям
• Ян Лекун, род. 1960, Автор свёрточных сетей, лежащих в основе распознавания изображений
• Эндрю Ын, род. 1976, Создатель массовых учебных курсов, сделавших машинное обучение доступным

Доклад: За этими датами стоят конкретные люди. Фрэнк Розенблатт построил первую обучающуюся нейронную сеть, Джеффри Хинтон вернул интерес к нейросетям, развив метод обратного распространения ошибки. Ян Лекун создал свёрточные сети, без которых не было бы современного распознавания изображений, а Эндрю Ын сделал машинное обучение массово доступным через открытые учебные курсы.

Слайд 7. Виды машинного обучения

• Способ обучения определяется тем, какая информация доступна алгоритму: готовые правильные ответы, только сырые наблюдения или отклик среды на действия.
• Размеченные данные
• Классификация
• Регрессия
• Прогнозирование
• Данные без меток
• Кластеризация
• Снижение размерности
• Поиск аномалий
• Награда от среды
• Стратегия поведения
• Игры и робототехника
• Управление процессами

Доклад: Все алгоритмы машинного обучения делятся на три большие группы в зависимости от того, какая информация доступна программе. При обучении с учителем есть готовые правильные ответы, при обучении без учителя — только сырые наблюдения, а при обучении с подкреплением алгоритм получает от среды награду за свои действия. В каждой группе — свой набор характерных задач.

Слайд 8. С учителем или без учителя

• Два базовых подхода различаются наличием правильных ответов в обучающей выборке, а значит — стоимостью подготовки данных и способом проверки качества.
• Требует размеченной выборки, а ручная разметка дорога и медленна
• Качество измеряется прямым сравнением предсказания с известным ответом
• Типичные задачи — распознавание образов, кредитный скоринг, прогноз спроса
• Результат легко объяснить заказчику через величину ошибки
• Работает на сырых неразмеченных данных, которых обычно много
• Оценка качества субъективна и требует участия эксперта предметной области
• Типичные задачи — сегментация клиентов, сжатие признаков, поиск аномалий
• Часто служит подготовительным этапом перед обучением с учителем

Доклад: Сравним два основных подхода подробнее. Обучение с учителем даёт понятную метрику качества, но требует дорогой ручной разметки данных. Обучение без учителя работает с тем, что есть в избытке, зато оценивать его результат приходится с участием эксперта. На практике эти подходы часто соединяют: кластеризация готовит данные, а модель с учителем уже делает предсказание.

Слайд 9. Типовые задачи

• Классификация — отнесение объекта к одному из заранее заданных классов, например «письмо со спамом» или «обычное письмо».
• Регрессия — предсказание непрерывной величины: цены квартиры, температуры, остаточного ресурса детали.
• Кластеризация — разбиение множества объектов на группы схожих без заранее известных меток.
• Снижение размерности — сжатие описания объекта до нескольких наиболее информативных признаков.
• Ранжирование — упорядочивание объектов по полезности для пользователя, как в поисковой выдаче.
• Обнаружение аномалий — выявление редких нетипичных наблюдений: мошеннических платежей, сбоев оборудования.

Доклад: Вот шесть задач, к которым сводится большинство практических проектов. Классификация относит объект к одному из классов, регрессия предсказывает число, кластеризация ищет группы схожих объектов. Снижение размерности сжимает описание, ранжирование упорядочивает выдачу, а обнаружение аномалий находит редкие нетипичные случаи вроде мошеннических платежей.

Слайд 10. Этапы построения модели

• Последовательность этапов почти не зависит от выбранного алгоритма.
• До семидесяти процентов времени проекта занимает подготовка данных, а не само обучение.
• Процесс итеративный: неудача на проверке возвращает разработчика к признакам и данным.
• Внедрённая модель нуждается в постоянном контроле качества и периодическом переобучении.
• Постановка задачи — перевод деловой цели в измеримую задачу предсказания.
• Сбор и очистка данных — устранение пропусков, дубликатов и ошибок измерений.
• Формирование признаков — превращение сырых записей в величины, понятные модели.
• Обучение и подбор параметров — настройка модели на обучающей выборке.
• Проверка и внедрение — оценка на отложенных данных и вывод в промышленную эксплуатацию.

Доклад: Разработка модели — это последовательность из пяти этапов. Сначала деловая цель превращается в измеримую задачу предсказания, затем собираются и очищаются данные, формируются признаки, обучается модель и, наконец, проверяется её качество на отложенной выборке. Важно понимать: до семидесяти процентов времени уходит именно на подготовку данных, а не на обучение.

Слайд 11. Данные и вычислительные ресурсы

• Качество модели определяется прежде всего данными: неполные, устаревшие или смещённые наблюдения не исправит ни один алгоритм.
• Для обучения глубоких сетей нужны специализированные вычислители — графические и тензорные процессоры, объединённые в центры обработки данных.
• Обучение одной крупной модели занимает недели машинного времени и потребляет электроэнергию, сопоставимую с годовым расходом небольшого посёлка.

Доклад: Качество модели определяется прежде всего данными. Неполные, устаревшие или смещённые наблюдения не спасёт ни один алгоритм — это правило работает без исключений. При этом обучение глубоких сетей требует серьёзной вычислительной инфраструктуры: графических и тензорных процессоров, объединённых в центры обработки данных вроде показанного на снимке.

Слайд 12. Основные алгоритмы

• Единственного лучшего алгоритма не существует: выбор зависит от объёма данных, типа признаков и требований к объяснимости решения.
• На практике начинают с простой модели и усложняют её только тогда, когда прирост точности оправдывает потерю прозрачности.

Доклад: В таблице собраны алгоритмы, с которых начинается практически любой курс. Линейная и логистическая регрессия ценны наглядностью, дерево решений даёт понятные правила, случайный лес устойчив к переобучению, а метод ближайших соседей вообще не требует явного обучения. Универсального лучшего алгоритма нет — выбор всегда компромисс между точностью и прозрачностью.

Слайд 13. Линейная регрессия

• y = w₁·x₁ + w₂·x₂ + … + wₙ·xₙ + b
• y — предсказываемое значение целевой переменной
• x₁…xₙ — признаки объекта, измеренные характеристики
• w₁…wₙ — веса признаков, подбираемые при обучении
• b — свободный член, задающий сдвиг предсказания

Доклад: Разберём самую простую модель — линейную регрессию. Предсказание получается как сумма признаков, умноженных на веса, плюс свободный член. Веса подбираются при обучении так, чтобы отклонения предсказаний от истинных значений были минимальными. Несмотря на простоту, эта формула до сих пор широко используется в экономике и технических расчётах.

Слайд 14. Метрики качества

• 0,95 — Доля правильных ответов — Часть объектов, на которых предсказание совпало с истинным ответом.
• 0,88 — Точность — Какая доля объектов, названных положительными, действительно такова.
• 0,79 — Полнота — Какую часть положительных объектов модель сумела обнаружить.
• 0,83 — Сводная мера — Среднее гармоническое точности и полноты — единый показатель баланса.

Доклад: Чтобы понять, хороша ли модель, нужны числовые метрики. Доля правильных ответов показывает общую успешность, точность отвечает на вопрос «не слишком ли часто мы ошибочно назвали объект положительным», а полнота — «многое ли мы пропустили». Поскольку точность и полнота тянут в разные стороны, их сводят в одну гармоническую меру.

Слайд 15. Переобучение и недообучение

• Переобучение — модель запоминает случайный шум обучающей выборки и теряет точность на новых данных.
• Недообучение — модель слишком проста и не улавливает закономерность даже на обучающих примерах.
• Главное средство контроля — разделение данных на обучающую, проверочную и тестовую части.

Доклад: Две главные беды при обучении — переобучение и недообучение. График показывает классическую картину: по мере усложнения модели ошибка на контрольной выборке сначала падает, достигает минимума, а затем снова растёт, потому что модель начинает запоминать шум. Спасает разделение данных на обучающую, проверочную и тестовую части.

Слайд 16. Искусственные нейронные сети

• Нейронная сеть собрана из простых элементов: каждый суммирует взвешенные входные сигналы и пропускает результат через функцию активации.
• Первой обучающейся сетью стал перцептрон Розенблатта: сенсорные элементы передают сигнал ассоциативным, а те — реагирующим.
• Веса связей подбираются автоматически методом обратного распространения ошибки — именно это делает сеть обучающейся, а не запрограммированной.

Доклад: Нейронная сеть собрана из очень простых элементов: каждый нейрон складывает взвешенные входные сигналы и пропускает сумму через функцию активации. На схеме — классический перцептрон Розенблатта: сенсорные элементы передают сигнал ассоциативным, а те — реагирующим. Обучаемость даёт автоматический подбор весов методом обратного распространения ошибки.

Слайд 17. Глубокое обучение

• Глубоким называют обучение сетей с большим числом скрытых слоёв.
• Каждый следующий слой оперирует более обобщёнными признаками, чем предыдущий.
• Признаки не задаются человеком, а формируются сетью самостоятельно в ходе обучения.
• Именно глубокие сети обеспечили прорыв в распознавании речи, изображений и текста.
• Входной слой — принимает признаки объекта: пиксели изображения или числовые характеристики.
• Свёрточные слои — выделяют локальные образы: границы, текстуры, фрагменты предметов.
• Полносвязные слои — объединяют найденные признаки в целостное описание объекта.
• Выходной слой — выдаёт вероятность класса или числовое предсказание.

Доклад: Глубокое обучение — это обучение сетей с большим числом скрытых слоёв. Входной слой принимает пиксели или числовые признаки, свёрточные слои выделяют границы и текстуры, полносвязные собирают из них целостный образ, а выходной выдаёт ответ. Ключевая идея: признаки не задаются человеком, сеть формирует их сама.

Слайд 18. Отрасли применения

• Финансы: оценка кредитоспособности, выявление мошеннических операций, расчёт страховых тарифов.
• Промышленность: предупредительное обслуживание станков и контроль качества деталей по фотографиям.
• Транспорт: системы помощи водителю, построение маршрутов, управление беспилотными автомобилями.
• Торговля: прогноз спроса, персональные рекомендации, управление складскими запасами.
• Наука и образование: обработка результатов экспериментов и адаптивные обучающие курсы.

Доклад: Область применения машинного обучения давно вышла за пределы информационных технологий. Финансы используют его для скоринга и борьбы с мошенничеством, промышленность — для предупредительного обслуживания и контроля качества, транспорт — для помощи водителю и беспилотного управления. Торговля прогнозирует спрос, а наука и образование обрабатывают данные экспериментов и строят адаптивные курсы.

Слайд 19. Машинное обучение в медицине

• Модели анализа изображений находят новообразования на снимках и признаки патологий с точностью, сопоставимой с опытным врачом.
• Алгоритмы предсказывают риск осложнений по истории болезни и помогают подбирать дозировку препаратов.
• Окончательное решение остаётся за человеком: модель работает как система поддержки, а не как замена врача.

Доклад: Медицина — одна из самых показательных областей. Модели анализа изображений находят новообразования и признаки патологий с точностью, сопоставимой с опытным рентгенологом, а алгоритмы по истории болезни предсказывают риск осложнений. Подчеркну принципиальный момент: окончательное решение всегда остаётся за врачом, модель лишь поддерживает его.

Слайд 20. Риски и этические вопросы

• Пользователь замечает лишь итоговое решение, а его причины скрыты в данных и архитектуре модели.
• Регуляторы разных стран вводят требования к объяснимости алгоритмов, влияющих на права человека.
• Проверка выборки на смещение должна быть обязательным этапом разработки, а не доброй волей.
• Ответственное применение моделей — часть профессиональной культуры инженера.
• Ошибочное решение алгоритма — отказ в кредите, неверный диагноз, отсев резюме
• Смещение обучающих данных — модель воспроизводит неравенство прошлых записей
• Непрозрачность модели — сложная сеть не объясняет, почему решение именно такое
• Размытая ответственность — неясно, кто отвечает за вред: разработчик или заказчик
• Угроза приватности — обучение требует персональных данных о людях

Доклад: У медали есть и обратная сторона. Пользователь видит только итоговое решение — отказ в кредите или отсев резюме, но причины скрыты под водой. Это смещение обучающих данных, непрозрачность сложных моделей, размытая ответственность за причинённый вред и угроза приватности. Проверка выборки на смещение должна стать обязательным этапом разработки.

Слайд 21. Перспективы развития

• Объяснимые модели, раскрывающие логику своих решений
• Обучение на малых выборках вместо огромных массивов данных
• Энергоэффективные алгоритмы и вычисления прямо на устройстве пользователя
• Соединение обучения на данных с формальными знаниями и правилами
• Отраслевые стандарты проверки, сертификации и сопровождения моделей

Доклад: Куда движется направление? Прежде всего — к объяснимым моделям, способным раскрыть логику решения. Далее — обучение на малых выборках, энергоэффективные алгоритмы и вычисления прямо на устройстве пользователя. Отдельная линия — соединение обучения на данных с формальными знаниями и появление отраслевых стандартов проверки и сертификации моделей.

Слайд 22. Выводы

• Машинное обучение — способ построить правило по данным там, где записать алгоритм вручную невозможно.
• Три базовых подхода — обучение с учителем, без учителя и с подкреплением — покрывают основной круг практических задач.
• Успех проекта определяют качество данных и честная проверка модели, а не выбор самого нового алгоритма.
• Массовое применение требует внимания к объяснимости решений, смещению данных и распределению ответственности.

Доклад: Подведём итоги. Машинное обучение позволяет построить правило по данным там, где записать алгоритм вручную невозможно. Три базовых подхода покрывают основной круг практических задач, но успех проекта определяют качество данных и честная проверка модели, а вовсе не мода на конкретный алгоритм. И чем шире применение, тем важнее вопросы объяснимости и ответственности.

Слайд 23. Список литературы

• Воронцов К. В. Математические методы обучения по прецедентам: курс лекций. — М.: МФТИ, 2021. — 141 с.
• Вьюгин В. В. Математические основы машинного обучения и прогнозирования. — М.: МЦНМО, 2018. — 384 с.
• Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. — М.: ДМК Пресс, 2018. — 652 с.
• Николенко С. И., Кадурин А. А., Архангельская Е. О. Глубокое обучение. — СПб.: Питер, 2018. — 480 с.
• Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. — М.: ДМК Пресс, 2015. — 400 с.

Доклад: В список литературы вошли работы, по которым удобно продолжить изучение темы. Учебник Флаха даёт широкий обзор методов, книга Николенко и соавторов — подробное введение в глубокое обучение на русском языке. Труд Вьюгина закрывает математические основы, а курс лекций Воронцова остаётся классикой отечественного преподавания.

Слайд 24. Спасибо за внимание!

Доклад: На этом доклад завершён. Мы рассмотрели понятия, историю, виды и задачи машинного обучения, разобрали этапы построения модели, метрики качества, нейронные сети и области применения, а также риски и перспективы. Благодарю за внимание, готов ответить на вопросы.