Поддержать программу

Как ученые строят суперкомпьютеры, объединив классическое моделирование и машинное обучение

Математик Александр Шапеев о способах распознавания изображений и проблемах классического моделирования
420
0
Купите подписку, чтобы посмотреть полную версию.
Скидка 34%
3 800 / год
4 800
Скидка 11%
1 280 / 3 мес
1 440
Базовая подписка
480 / месяц
Уже подписчик? Войти Купить подписку

Комментирование доступно только подписчикам.
Оформить подписку
Расписание
Следующий выпуск
26 августа 16:00
вторник: 11:00
четверг: 11:00
суббота: 16:00
воскресенье: 01:00, 16:00
понедельник: 01:00

Вместе со Сколковским институтом науки и технологий ПостНаука сняла курс «Машинное обучение», посвященный математическому моделированию и методам машинного обучения. В этой лекции преподаватель магистерской программы «Наука о данных» Сколтеха Александр Шапеев рассказывает о преимуществах совместного использования классического моделирования и методов машинного обучения.

«Больше лекций и видеороликов смотрите на сайте проекта «ПостНаука»

Что общего между классическим моделированием и машинным обучением? С моей точки зрения, это модель. В классическом моделировании ученые, основываясь на своем научном понимании мира, создают модель, затем проверяют, правильно ли она предсказывает поведение соответствующей системы или нет. Если предсказывает правильно, то модель хорошая, с ней работают дальше. Никакая модель не может предсказывать все абсолютно точно, поэтому ученые находят границы ее применимости и пытаются понять, почему в каких-то случаях она может не работать, улучшают ее, и дальше все повторяется. При этом прогресс фиксируется в понимании учеными нашего мира, а это понимание материализуется в виде некой модели. Если мы не понимаем, как наша модель устроена, то, соответственно, мы не можем двигать научный прогресс.

В машинном же обучении ситуация другая. Оно позволяет нам решать задачи, метод решения которых мы сами не до конца понимаем, поэтому не можем сами полностью построить модель. Одна из задач, которую решает машинное обучение, но которая не решалась раньше, — распознавание или классификация изображений. Например, за мной стоит шкаф, и компьютер должен по картинке понять, что это именно шкаф. Мы не до конца понимаем, как работает человеческое сознание и как мы узнаем по картинке шкаф, и поэтому мы не можем составить точную модель этого процесса. Зато у нас есть много картинок со шкафом, про которые точно известно, что это именно он. И если бы на этом дело заканчивалось, то задачу мы бы решить не могли. Но частично мы понимаем, как работает распознавание образов. Мы понимаем, что шкаф остается шкафом, если на другой картинке его немного сместить или если будет другое время суток или другое освещение. И неполное понимание того, как работает распознавание, мы вкладываем в модель машинного обучения, и тот зазор между пониманием и полной моделью мы восполняем за счет огромного числа данных, по которым фактически и строится модель машинного обучения. И это работает замечательно и фактически позволяет решить задачу, с которой раньше разобраться не получалось.

Фото: DepositPhotos

Полная версия доступна только подписчикам. Подпишитесь: