Машинное обучение и искусственный интеллект

Связь между искусственным интеллектом, машинным обучением и глубоким обучением

Представьте русскую матрёшку: большая кукла содержит среднюю куклу, а средняя кукла содержит маленькую куклу. Связь между искусственным интеллектом, машинным обучением и глубоким обучением точно такая же:

  • Искусственный интеллект (ИИ): самая большая кукла, самое широкое понятие
  • Машинное обучение (ML): средняя кукла, часть ИИ
  • Глубокое обучение (DL): самая маленькая кукла, часть машинного обучения

Что такое искусственный интеллект (ИИ)?

Искусственный интеллект— это широкое понятие, которое относится к технологиям, позволяющим машинам демонстрировать интеллект, подобный человеческому. Подобно тому как человеческий интеллект включает такие способности, как рассуждение, обучение, восприятие и понимание языка, ИИ также пытается наделить машины этими возможностями.

Цели ИИ:

  • Имитировать мыслительные процессы человека
  • Решать задачи, для выполнения которых требуется человеческий интеллект
  • Превосходят человеческие возможности в определённых областях

Примеры ИИ:

  • Программы для игры в шахматы (такие как AlphaGo)
  • Голосовые помощники (такие как Siri, Xiao Ai)
  • Беспилотные автомобили

Место машинного обучения (ML) в ИИ

Машинное обучение— это один из методов достижения искусственного интеллекта, но не единственный. Подобно тому как есть несколько способов готовить (жарка, варка, приготовление на пару, запекание), существует также несколько подходов к реализации ИИ.

Характеристики машинного обучения:

  • Не требует ручного написания всех правил
  • Автоматически выявляет закономерности в данных
  • Подходит для решения сложных задач, в которых правила трудно определить явно

Традиционный ИИ против машинного обучения:

Традиционный подход к ИИ Подход машинного обучения
Экспертные системы: правила, написанные вручную Изучение правил на основе данных
Логическое рассуждение: на основе явных правил Распознавание образов: поиск закономерностей в данных
Подходит для задач с чётко определёнными правилами Подходит для сложных, неоднозначных задач

Глубокое обучение (DL) и машинное обучение

Глубокое обучение— это раздел машинного обучения, который использует многослойные нейронные сети для изучения сложных закономерностей в данных.

Характеристики глубокого обучения:

  • Использует многослойные нейронные сети («deep» означает множество слоёв)
  • Особенно подходит для обработки неструктурированных данных, таких как изображения, аудио и текст
  • Требует больших объёмов данных и вычислительных ресурсов

История развития и эволюция

  1. Ранний ИИ (1950-е–1970-е): в основном полагался на вручную написанные правила и логические рассуждения
  2. Подъём машинного обучения (1980-е–2000-е): началось обучение на данных, но признаки требовали ручного проектирования
  3. Эпоха глубокого обучения (2010-е–настоящее время): автоматически изучает признаки, справляется с более сложными задачами


Пример

Давайте рассмотрим простой пример, демонстрирующий различия между традиционными методами, машинным обучением и глубоким обучением — попытка распознать рукописные цифры.

Метод 1: традиционный подход (на основе правил)

Пример

# Традиционный подход: распознавание рукописных цифр на основе вручную разработанных правил
# Это только концептуальный пример; на практике этот метод работает очень плохо
def recognize_digit_by_rules(image):
    """
Распознавание цифр на основе ручных правил (упрощённый пример)
    """

    # Правило 1: Подсчитать количество чёрных пикселей на изображении
    black_pixels = count_black_pixels(image)
    # Правило 2: Вычислить положение центроида изображения
    center_x, center_y = calculate_center(image)
    # Правило 3: Обнаружить определённые особенности формы
    has_circle = detect_circle(image)
    has_straight_line = detect_straight_line(image)
    # Суждение на основе правил
    if has_circle and black_pixels < 50:
        return "0"
    elif has_straight_line and center_y < image_height/2:
        return "7"
    # ... дополнительные правила
    else:
        return "Невозможно распознать"
# Проблема: правила с трудом охватывают все случаи, и они очень хрупкие

Метод 2: подход машинного обучения

Пример

# Подход машинного обучения: использование традиционного извлечения признаков + классификатор
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 1. Ручное проектирование признаков (это ограничение традиционного машинного обучения)
def extract_features(image):
    """
Признаки, спроектированные вручную
    """

    features = []
    # Признак 1: доля чёрных пикселей
    features.append(count_black_pixels(image) / total_pixels)
    # Признак 2: центроид изображения
    center_x, center_y = calculate_center(image)
    features.extend([center_x, center_y])
    # Признак 3: плотность краёв
    features.append(calculate_edge_density(image))
    # ... ещё признаки, разработанные вручную
    return features
# 2. Извлечение признаков из всех обучающих данных
X_train = [extract_features(img) for img in train_images]
y_train = train_labels
# 3. Обучение модели
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
# 4. Тестирование
X_test = [extract_features(img) for img in test_images]
predictions = model.predict(X_test)
print(f"Точность: {accuracy_score(test_labels, predictions):.2f}")

Метод 3: подход глубокого обучения

Пример

# Подход глубокого обучения: сквозное обучение, автоматическое извлечение признаков
import tensorflow as tf
from tensorflow.keras import layers, models
# 1. Построить нейронную сеть
model = models.Sequential([
    # Автоматически изучает низкоуровневые признаки (края, текстуры и т. д.)
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    # Автоматически изучает признаки среднего уровня (формы, комбинации и т. д.)
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    # Автоматически изучает высокоуровневые признаки (общие закономерности)
    layers.Conv2D(64, (3, 3), activation='relu'),
    # Слой классификации
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')  # 10 категорий цифр
])
# 2. Скомпилировать модель
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
# 3. Обучать напрямую на необработанных данных изображений (не нужно вручную создавать признаки)
model.fit(train_images, train_labels, epochs=5,
          validation_data=(test_images, test_labels))
# 4. Оценка
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"Точность модели глубокого обучения: {test_acc:.2f}")

Сравнение результатов выполнения:

  • Традиционный метод: точность около 60-70% (и сложные правила)
  • Машинное обучение: точность около 85-92% (требует вручную созданных признаков)
  • Глубокое обучение: точность около 98-99% (автоматически изучает признаки)
Другие расширения