To co powinniście wiedzieć o Machine Learning
2 likes1,161 views
Michał Szymański - Datera - To co powinniście wiedzieć o Machine Learning
To co powinniście wiedzieć o Machine Learning
- 1. Michał Szymański Datera S.A. Co powinniście wiedzieć o Machine Learning www.datera.pl
- 2. Parę słów o mnie 2 • Od 14 lat lat pracuje w sektorze IT • Pracowałem dla Lufthansa Systems, GE Money Bank, Datera S.A. • Zajmowałem stanowiska - programisty, projektanta, kierownika projektów i szefa działu IT • Tworzyłem oprogramowanie dla sektora lotniczego, finansowego i telekomunikacyjnego • Znam specyfikę działania aplikacji typu Real-Time, OLTP i BI • Jestem jednym z twórców dużej platformy telekomunikacyjnej Datera Carrier-eX
- 3. Agenda 3 • Machine Learning – co to jest i dla kogo? • Sztuczna inteligencja – jak długo będziemy czekać? • Typy uczenia • Typowe problemy rozwiązywane przez ML • Dlaczego nie jest tak różowo – czyli praktyka ML • Co my mamy wspólnego z ML?
- 4. Definicja 4 Machine Learning - Uczenie maszynowe „Mówimy, że program uczy się w oparciu o doświadczenie E w przypadku klasy zadań T i miary uczenia P, jeśli jego miara uczenia P dla zadań T ulega poprawie wraz ze wzrostem doświadczenia” Tom M.Mitchell „Uczenie ma charakter adaptacyjny w tym sensie, że pozwalają systemowi wykonać za następnym razem takie same zadanie lub zadania podobne bardziej efektywnie” Herbet Simon Definicja dla praktyków
- 5. Jak to jest w przyrodzie.. 5 Źródło: Wikipedia 1mm3 -> 30 000 neuronów, 100 milionów synaps
- 6. Gdzie aktualnie jesteśmy 6 Źródło: Wired 05.2013
- 7. Co teraz się dzieje.. 7 Human Brain Project - 1.3 mld $ Cel - zrozumieć jak działa mózg • Neurobiologia • Medycyna • Informatyka Polecam TedTalk „Henry Markram buduje mózg w superkomputerze. Henry Markram Źródło: Wired, Fot. Joachim Ladefoged
- 8. Co teraz się dzieje.. 8 Brain Activity Map – 10 * 300 mln. $ Cel – pomiar i stymulowanie równocześnie milionów a może miliardów komórek nerwowych Barack Obama źródło: Wikipedia
- 9. Typy uczenia 9 Uczenie • Nadzorowane – dane wejściowe + wyjściowe • Nienadzorowane – tylko dane wejściowe • Semi-nadzorowane • Uczenie z wzmocnieniem (ang.reinforcement learning)
- 10. Problemy dla ML - klasyfikacja 10 Klasyfikacja – przyporządkowanie do grupy na podstawie atrybutów wejściowych • Regresja logiczna • Sieci neuronowe • K-najbliższych sąsiadów • Maszyna wektorów nośnych SVM Przykłady: • Projekt Google’a - 1000 serwerów (16 000 rdzeni) przetworzyło 1o milionów obrazków z YouTube w poszukiwaniu kotów • Rozpoznawanie cyfr pisanych ręcznie • Wykrywanie spamu
- 11. Problemy dla ML – predykcja wartości 11 Predykcja wartości – ustalenie wartości dla podanych parametrów wejściowych • Regresja liniowa • Sieci neuronowe • Maszyna wektorów nośnych SVM Przykłady: • Cena mieszkania w zależności od lokalizacji, metrażu, ilości pomieszczeń • Ilość produkcji energii elektrycznej z paneli słonecznych w zależności od warunków meteorologicznych, zabrudzenia itp
- 12. Problemy dla ML – wykrywanie anomalii 12 Wykrywanie anomalii – pozwala ustalić czy występują „podejrzane sytuacje” Przykłady: • Czy dane połączenie telefoniczne albo transakcja bankowa nie jest próbą oszustwa • Czy obciążenie łączy sieciowych nie świadczy podejrzanej działalności użytkowników Godzina Kwota
- 13. Problemy dla ML – systemy rekomendacji 13 Systemy rekomendacji – algorytmy próbujące przewidzieć preferencje użytkownika Przykłady: • Zaproponowanie podobnych wykonawców do tego co już słuchaliśmy • Collaborative filtering • Content based filtering
- 14. Kiedy używać / nie używać ML 14 Jeśli jesteś w stanie opisać problem za pomocą reguł matematycznych nie używaj ML Stopnie niewiedzy jeśli chodzi o analizowany problem: • Znamy relacje między wejściem a wyjściem nie używaj ML • Wiemy mniej więcej jakie są zależności np. można opisać wielomianem używaj metod typu regresja liniowa • Prawie nic nie wiemy o danych i łączących ich relacjach używaj metod nie wymagających przyjmowanie założeń np. sieci neuronowe
- 15. Kiedy używać / nie używać ML 15 Źródło: http://peekaboo-vision.blogspot.com/
- 16. Dlaczego nie jest tak różowo z ML 16 Jakie są problemy w praktyce • Złożoność obliczeniowa – słaba wydajność • Skomplikowane algorytmy • Brak bibliotek nadających się do używania w realnych zadaniach • Wiele metod jest opracowane przez wielkie koncerny i jest objęte prawami autorskimi • Wielu chce, ale niewiele wie o co chodzi
- 17. Parę słów dlaczego tu jestem 17 • Ponieważ uważam, że ML i generalnie AI to przyszłość • Ponieważ realizujemy projekt związany z ML i szukamy ambitnych, zaangażowanych pracowników rekrutacja@datera.pl