ЭВОЛЮЦИЯ МАШИННОГО ОБУЧЕНИЯ

УДК 004.62 Струнин А.Е. студент Ярославский Государственный университет им. П.Г. Демидова Россия, г. Ярославль e-mail: aleksey@strounine.com ЭВОЛЮЦИЯ МАШИННОГО ОБУЧЕНИЯ Аннотация: В статье приводится обзор исследований по использованию машинного обучения в нашей жизни. Ключевые слова: компьютеры, большие данные, анализ, машинное обучения, аналитика, инновационные технологии, вычисления. Strunin A.E. student Yaroslavl State University named after P.G. Demidova Russia, Yaroslavl MACHINE LEARNING EVOLUTION Abstract: This article provides an overview of research on the use of machine learning in our lives. Keywords: computers, big data, analysis, machine learning, analytics, innovative technologies, computing. Благодаря новым компьютерным технологиям, машинное обучение сегодня не похоже на машинное обучение прошлого. Оно родилась из распознавания образов и теории, которую компьютеры могут изучать без программирования для выполнения определенных задач. Исследователи, интересующиеся искусственным интеллектом, хотели посмотреть, смогут ли компьютеры учиться на данных [1]. Итеративный аспект машинного обучения важен, потому что, поскольку модели подвергаются воздействию новых данных, они могут самостоятельно обучаться. Они учатся на предыдущих расчетах, чтобы получить надежные повторные результаты опираясь на предыдущие данные. Это наука, которая не нова, но получила новый импульс в наше время. https://tribune-scientists.ru Журнал «Трибуна ученого» Выпуск 04/2020 1 Хотя многие алгоритмы машинного обучения существуют уже давно, возможность автоматического применения сложных математических вычислений к большим данным - набирает обороты. Вот несколько широко публикуемых примеров приложений машинного обучения, с которыми вы возможно уже знакомы [2]:  Сильно раскрученная, самоходная машина Google? - Суть машинного обучения.  Предложения онлайн рекомендации, такие как от Amazon и Netflix? Приложения машинного обучения для повседневной жизни.  Данные - что клиенты говорят о вашей комапании в соц.сетях? Машинное обучение в сочетании с созданием лингвистических правил.  Обнаружение мошенничества? Одно из наиболее очевидных и важных применений deep learning в нашем мире сегодня. Возобновление интереса к машинному обучению связано с теми же факторами, которые сделали анализ данных и байесовский анализ более популярными, чем когда-либо [3]. Такие вещи, как растущие объемы и разнообразие доступных и открытых данных, вычислительная обработка, которая становится более дешевой и мощной, и доступное хранилище данных. Все это означает, что можно быстро и автоматически создавать модели, которые могут анализировать большие, более сложные данные и предоставлять более быстрые и точные результаты - даже в очень большом масштабе. А благодаря созданию точных моделей у организации больше шансов определить выгодные возможности или избежать неизвестных рисков. Кто это использует? Правительство Правительственные учреждения, например, общественная безопасность и коммунальные службы, особенно нуждаются в машинном обучении, поскольку у них есть несколько источников данных, которые можно использовал в благих целях. Например, машинное обучение может помочь обнаружить мошенничество и минимизировать кражу личных данных. 2 https://tribune-scientists.ru Журнал «Трибуна ученого» Выпуск 04/2020 Здравоохранение Машинное обучение является быстрорастущей тенденцией в отрасли здравоохранения благодаря появлению носимых устройств и датчиков, которые могут использовать данные для оценки состояния здоровья пациента в режиме реального времени. Эта технология также может помочь медицинским экспертам анализировать данные для выявления тенденций или «красных флажков», которые могут привести к улучшению диагностики и лечения. Финансовые услуги Банки и другие предприятия финансовой индустрии используют технологию машинного обучения для двух ключевых целей: для выявления важных данных и предотвращения мошенничества [4]. Они могут определить инвестиционные возможности или помочь инвесторам узнать, когда торговать. Интеллектуальный анализ данных может также идентифицировать клиентов с профилями высокого риска или использовать кибер-наблюдение, чтобы точно определить признаки мошенничества. Транспорт Анализ данных для определения закономерностей и тенденций является ключевым для транспортной отрасли, которая полагается на повышение эффективности маршрутов и прогнозирование потенциальных проблем для повышения прибыльности и рентабельности [5]. Анализ данных и аспекты моделирования машинного обучения являются важными инструментами для компаний доставки, общественного транспорта и других транспортных организаций. Нефти и газа Поиск новых источников энергии. Анализ минералов в почве. Прогнозирование неисправности датчика НПЗ [6]. Оптимизация распределения нефти, чтобы сделать ее более эффективной и рентабельной. Количество вариантов использования машинного обучения для этой отрасли огромно - и продолжает расти. https://tribune-scientists.ru Журнал «Трибуна ученого» Выпуск 04/2020 3 Список литературы: 1. Hope T., Resheff Y., Lieder I. Learning TensorFlow. Boston: Oreilly, 2017. 242 pp. 2. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, MA: MIT Press, 2016. 800 pp. 3. Dua D. and Graff C. UCI Machine Learning Repository. Irvine, CA: University of California, School of Information and Computer Science, 2019. 4. Foster Provost, Tom Fawcett. Data Science for Business. NYU: O’reilly, 2013. 77 pp. 5. Holden Karau, Andy Konwinski, Patrick Wendell, Matei Zaharia. Learning Spark: Lightning-Fast Big Data Analysis. NYU: O’reilly, 2015. 274 pp. 6. Eric Matthes. Python Crash Course: A Hands-On, Project-Based Introduction to Programming Kindle Edition. 548 pp. Журнал «Трибуна ученого» Выпуск 04/2020 https://tribune-scientists.ru 4