Классификация задач машинного обучения.

ВВЕДЕНИЕ
Глава 1) Анализ данных и поставленные задачи
1.1 Анализ данных
1.2 Обнаружение знаний в базах данных
1.3 Data mining (добыча знаний из данных)
1.4 Machine learning (машинное обучение)
1.5 Основные алгоритмы моделей машинного обучения (методы принятия решений)
Глава 2) Выявление соотношение дисциплин и как машинное обучение помогает.
2.1 Анализ соотношений дисциплин.
2.2 Пример решения реальной задачи классификации
2.3 Проблемы не решенные машинным обучением в экономике.
Глава 3)Заключение
Глава 4)Список использованных источников

Весь текст будет доступен после покупки

Мaшинное обучение – это неотъемлемая часть it сферы, связaнная с искусственным интеллектом. Машинное обучение базируется на алгоритмах, которые могут самосовершенствоваться за счёт опыта и информации, которые могут получить извне благодаря человеку, датасету и многим другим.
Сама идея создания искусственного интеллекта или правильнее сказать попытка осознать и использовать алгоритмы, которые в своём поведении использует человек, зародилась ещё в древние времена. Первооткрывателем искусственного интеллекта принято считать Раймонда Рулия – учёного 14 века родившегося в Майорке. Его исследованиями в области комбинаторики была создана механическая машина для решения задач. И после него было много попыток и предложений усовершенствования его новаторской идеи.
Искусственный интеллект как направление был популяризирован благодаря ЭВМ – Электронно Вычислительной Машине, созданной примерно в сороковых годах в прошлом веке. Обществу уже тогда было интересно, в какие блага может вылиться подобный научный прорыв и есть ли в машине что-то человеческое. Может ли машина, как и челoвек обучаться. В момент когда человечество придёт к физическому решению по добавлению машине такого важного человеческого фактора как самообучение, произойдёт прорыв в этой области. Представьте человека, который обучался в медицинском вузе в течение 7 лет. Такой человек может определять может выявить проблемы со здоровьем и какой метод терапии поможет быстрее выздороветь. Возможность сконцентрировать знания и опыт множества таких врачей и дать машине воспользоваться ими позволит намного быстрее и эффективнее лечиться людям, пpичем выявляя возможность появления новых болезней и получить максимально эффективный споcoб лечения. Представьте программу, которая выбирает самые интересные новости для вас исходя из ваших предпочтений, хобби и интересов. Представьте тот же робот пылесос, который с течением времени приспосабливается к вашей квартире и знает про каждый угол, в котором больше всего скапливается пыли.

Весь текст будет доступен после покупки

Анализ данных является процессом поиска необходимой нам для выполнения задач данных. Причем эти данные мы вычленяем из общего обширого потока информации, так как сейчас благодаря сети интернет в сети образовался переизбыток этой самой информации. Для анализа данных используют методы математического анализа, благодаря которому упрощается поиск разных тенденций, связей, принципов и законов, находящихся в наборе данных. Эти закономерности очень часто бывают скрыты или слишком сложны, что бы найти их невооруженным глазом, поэтому для выделения полезной информации используется математический анализ, статистика и теория вероятности.
Какие же этапы проводятся в анализе данных при машинном обучении? Рассмотрим это поподробнее:
• Подготовка данных к анализу.
Термин "OLAP" напрямую связан с таким термином как "хранилище данных".
Данные хранятся в базе данных, но попадают они туда через операционные системы обработки транзакций в реальном времени(OLTP). Количество данных, с которым они работают может показаться маленьким из-за их размерности, но это на деле не так – через систему, подгруженную огромным потоком проходит колоссальное количество данных. Эти данные необходимо автоматизировать, для чего разные бизнесы и используют OLTP для обработки данных. Так же базу можно увеличивать и пополнять за счёт других баз, таких как отчёты, сметы и планировка.
OLTP (OnLine Transaction Processing) — система обработки транзакций в реальном времени.
Транзакция — набор запросов, который выполняется в единой очереди. При неудачном или ошибочном завершении любого из запросов отменяется результат работы всего набора запросов.
Реальное время — режим работы системы, когда важны не только правильность обработки и предоставления информации, но и своевременность ее обработки. Информация в системах реального времени (СРВ) должна быть обработана за определенное фиксированное время, либо до наступления какого-либо контрольного события.
У базы данных одна цель – систематически хранить данные для последующей структуризации и последующим анализом данных, в общем – для удобной работы с этими данными.
Причиной складывания информации в отдельное хранилище послужили запросы, которые при исполнении сильно тормозят выполнение задач компании, на неопределённое время убирая доступ к таблицам данных и используя ресурсы сервера. В случае если купленное “железо” не имеет необходимые характеристики такие запросы могут впринципе нарушить целостность рабочего процесса.

Весь текст будет доступен после покупки

1. Вьюгин В.В. Математические основы машинного обучения и прогнозирования / В.В. Вьюгин. — Москва: «Московский центр непрерывного математического образования», 2014. — 305 с.
2. Домингос П. Математические основы машинного обучения и прогнозирования / П. Домингос. — Москва: «МАНН, ИВАНОВ И ФЕРБЕР», 2013. — 305 с.
3. Бринк Х. Машинное обучение Наука и искусство построения алгоритмов, которые извлекают знания из данных / Х. Бринк, Д. Ричардс, М. Феверолф. — Санкт-Петербург: «Питер», 2017. — 330 с.
4. Флах П. Машинное обучение / П. Флах. — Москва: «ДМК Пресс», 2015. — 400 с.
5. Рашид Т. Создаем нейронную сеть / Т. Рашид. — Москва: «Диалектика», 2017. — 274 с.
6. Андреас М. Введение в машинное обучение с помощью Python / М. Андреас, С. Гвидо. — Бостон: «O’Reilly», 2016. — 338 с.
7. Рашка С. Python и машинное обучение / С. Рашка. — Москва: «ДМК Пресс», 2017. — 418 с.
8. Вандер Плас Дж. Python для сложных задач. Наука о данных и машинное обучение / Дж. Вандер Плас. — Санкт-Петербург: «Питер», 2018. — 576 с.
9. Бурков А. Машинное обучение без лишних слов / А. Бурков. — Санкт-Петербург: «Питер», 2020. — 192 с.

Весь текст будет доступен после покупки