Реферирование статьи
Leo Breiman
Random Forests
Machine learning, 2001, 45 (1), pp 5–32
DOI: 10.1023/A:1010933404324
Реферирование статьи
Tom Fawcett
An introduction to ROC analysis
Pattern recognition letters, 2006, 27 (8), pp 861–874
DOI: 10.1016/j.patrec.2005.10.010
Реферирование статьи
Janez Demsar
Statistical comparisons of classifiers over multiple data sets
Journal of machine learning research, 2006, 7, pp 1–30
ISSN: 1532-4435
Реферирование статьи
Alex J. Smola, Bernhard Scholkopf
A tutorial on support vector regression
Statistics and computing, 2004, 14 (3), pp 199–222
DOI: 10.1023/B:STCO.0000035301.49549.88
Реферирование статьи
Kaelbling L.P., Littman M.L., and Moore A.W.
Reinforcement learning: A survey
Journal of artificial intelligence research, 1996, 4, pp 237–285
ISSN: 1076-9757
Реферирование статьи
Rui Xu, Wunsch D.
Survey of clustering algorithms
IEEE Transactions on neural networks, 2005, 16 (3), pp 645–678
DOI: 10.1109/TNN.2005.845141
Реферирование статьи
Sinno Jialin Pan, Qiang Yang
A Survey on Transfer Learning
IEEE Transactions on knowledge and data engineering, 2010, 22 (10), pp 1345–1359
DOI: 10.1109/TKDE.2009.191
Реферирование статьи
Stone P., Veloso M.
Multiagent systems: A survey from a machine learning perspective
Autonomous robots, 2000, 8 (3), pp 345–383
DOI: 10.1023/A:1008942012299
Реферирование статьи
Yann LeCun, Yoshua Bengio, Geoffrey Hinton
Deep learning
Nature, 2015, 521 (7553), pp 436–444
DOI: 10.1038/nature14539
Реферирование статьи
Yoshua Bengio, Aaron Courville, Pascal Vincent
Representation Learning: A Review and New Perspectives
IEEE Transactions on pattern analysis and machine intelligence, 2013, 35 (8), pp 1798–1828
DOI: 10.1109/TPAMI.2013.50
Реферирование статьи
Juergen Schmidhuber
Deep learning in neural networks: An overview
Neural networks, 2015, 61, pp 85–117
DOI: 10.1016/j.neunet.2014.09.003
Реферирование статьи
Dumitru Erhan, Yoshua Bengio, Aaron Courville, Pierre-Antoine Manzagol, Pascal Vincent, Samy Bengio
Why Does Unsupervised Pre-training Help Deep Learning
Journal of machine learning research, 2010, 11, pp 625–660
ISSN: 1532-4435
Реферирование статьи
James Bergstra, Yoshua Bengio
Random Search for Hyper-Parameter Optimization
Journal of machine learning research, 2012, 13, pp 281–305
ISSN: 1532-4435
Реферирование статьи
Min Chen, Shiwen Mao, Yunhao Liu
Big Data: A Survey
Mobile networks & applications, 2014, 19 (2), pp 171–209
DOI: 10.1007/s11036-013-0489-0
Реферирование статьи
C. L. Philip Chen, Chun-Yang Zhang
Data-intensive applications, challenges, techniques and technologies: A survey on Big Data
Information sciences, 2014, 275, pp 314–347
DOI: 10.1016/j.ins.2014.01.015
Реферирование статьи
Vivien Marx
The Big Challenges of Big Data
Nature, 2013, 498 (7453), pp 255–260
ISSN: 0028-0836
Решение задач идентификации методами машинного обучения
Использование методов машинного обучения для разработки алгоритмов идентификации
состояний сложных объектов (нелинейных, маятниковых систем, мобильных роботов и др.).
Моделирование и анализ полученных алгоритмов управления.
Построение алгоритмов управления методами машинного обучения
Использование методов машинного обучения для разработки алгоритмов управления
различными объектами (линейными, нелинейными, маятниковыми системами, мобильными роботами и др.).
Моделирование и анализ полученных алгоритмов управления.
Применение методов машинного обучения для мультиагентных систем
Использование методов машинного обучения для задач децентрализованного управления
мультиагентными системами (группами мобильных роботов, беспилотных летательных аппаратов,
роем объектов с разными техническими характеристиками).
Моделирование и анализ полученных алгоритмов управления.
СПбГУ подписан на ряд журналов, поэтому через сайт библиотеки университета возможно бесплатно получить многие материалы.
Системы искусственного интеллекта ознаменовали новый этап развития человечества. Прогресс в технологиях машинного обучения создает предпосылки для глубокой автоматизации мировой экономики и значительного прироста производительности труда. Массовое внедрение систем искусственного интелекта в технологические и производственные процессы может оказать в ближайшее десятилетие шоковое влияние на экономики многих стран. Точные экономические последствия предсказать проблематично, тем не менее выделяют пять основных эффектов:
John P. Holdren, Megan Smith
Preparing for the Future of Artificial Intelligence
Executive Office of The President of The United States, Washington, D.C., 20502, October 12, 2016
Document
Jason Furman, John P. Holdren, Cecilia Munoz, Megan Smith, Jeffery Zients
Artificial Intelligence, Automation, and the Economy
Executive Office of The President of The United States, Washington, D.C., 20502, December 20, 2016
Document
Автоматизация технологических и производственных процессов позволяет наращивать производственные мощности, улучшать качество продукции, ускорять и оптимизировать процессы управления, повысить безопасность труда и отстранить человека от выполнения опасных работ. Для многих задач автоматизация позволяет достигать показателей, которые в принципе невозможно достичь ручным трудом. Исторический опыт свидетельствует, что автоматизация также повышает производительность труда: в США в 1900 году на сектор сельского хозяйства приходилось около 40% рабочих мест, к 2000 году этот показатель снизился до 2%.
Процент рабочего времени приходящийся на деятельность, требующую высокого или среднего уровня человечности (для США):
| # | Тип деятельности | |
|---|---|---|
| 67% | Распознавание известных образов и категорий | |
| 46% | Формирование сообщений на естественном языке | |
| 41% | Сенсорное восприятие | |
| 38% | Информационный поиск | |
| 35% | Понимание естественного языка | |
| 17% | Передвижение предметов | |
| 15% | Презентации, выступления | |
| 13% | Социальное и эмоциональное распознавание | |
| 13% | Логический вывод и решение задач | |
| 12% | Оптимизация и планирование | |
| 11% | Манипулирование предметами, требующее ловкости и ощущения | |
| 10% | Координация в мультиагентном окружении (работа в команде) | |
| 10% | Социальное и эмоциональное окрашивание сообщений | |
| 9% | Социальный и эмоциональный анализ | |
| 4% | Навигация и ориентирование | |
| 4% | Передвижение по местности | |
| 2% | Креативность | |
| 2% | Создание новых образов, категорий, гипотез |
* Цвет соответствует уровню реализации в существующих коммерческих, научно-исследовательских или опытно-конструкторских системах: красный соответствует человечности ниже средней, желтый – средней, зеленый – выше средней.
Существующие на сегодняшний день технологии позволяют полностью автоматизировать менее 5% профессий в США. Детальный анализ свидетельствует о широких возможностях для частичной автоматизации: для 60% должностей можно автоматизировать 30% их рабочих обязанностей. Наиболее благоприятными для автоматизации являются профессии связанные со сбором и обработкой данных (потенциал автоматизации до 70%) и физическая работа в предсказуемом окружении (потенциал автоматизации до 80%).
Jacques Bughin, James Manyika, Jonathan Woetzel
A Future that Works: Automation, Employment, and Productivity
McKinsey Global Institute, January 2017
Document
Машинное обучение – это комплекс технологий, характерной чертой которых является непрямое решение задачи, то есть система программируется не на решение конкретной задачи, а на обучение решению множества сходных задач.
Технологии машинного обучения:
Большие данные – это массивы данных, которые настолько велики или сложны, что использование традиционного программного обеспечения для их обработки не имеет смысла.