Популярно

bds-5

Кто из мальчишек любого возраста не мечтает о радиоуправляемом вертолете? А если этот вертолет может и сам, без помощи «пилота» выполнить сложный маневр? Ученым из Стэнфордского университета удалось создать программное обеспечение, которое позволяет обучить радиоуправляемые игрушки самостоятельным полетам. Это стало возможным благодаря применению одного из продвинутых методов machine learning – «обучения с подкреплением» (reinforcement learning). Подробно о нем рассказал Сергей Шельпук, руководитель направления data science, V.I.Tech и лектор курса по машинному обучению в Lviv IT School, на третьем образовательном уикенде Kyivstar Big Data School.

«Великолепно летающий вертолет-робот – результат успешного machine learning проекта, реализованного в Стенфордском университете. Динамика движений вертолета настолько сложна, что управлять им путем написания прямых инструкций практически невозможно. Поэтому экспериментаторы создали алгоритмы управления двигателем и винтами используя метод «обучение с подкреплением»», — рассказывает Сергей Шельпук. В процессе симулирования полета, программное обеспечение собирало фидбэк о том, насколько реальное поведение вертолета отличается от ожидаемого. Путем проб и ошибок, с помощью самообучаемого ПО удалось уменьшить разницу между реальным и идеальным положениями машины. Так был создан первый вертолет, который способен летать и совершать фигуры высшего пилотажа самостоятельно.

«Обучение с подкреплением» полезно также при управлении облачной инфраструктурой, потоками траффика, или, например, лифтами в зданиях – когда программа управления решает, на каком этаже в конкретный момент времени нужно держать каждый лифт, чтобы минимизировать время его ожидания пассажирами. Использования этих технологий позволяет решить проблему управления и уменьшить затраты, как времени, так и финансов.

Также Сергей Шельпук прочел студентам школы лекции по дисциплине «обучение без учителя» (Unsupervised learning). Ее применяют в ситуациях, когда данные, с которыми предстоит работать, не имеют заранее известных меток. Например, фотографии, загруженные в Instagram или твиты в Twitter. Объем подобных данных огромен, и мы заранее не знаем, что изображено на этих фотографиях или, о чем написаны эти твиты.  Unsupervised learning модели умеют обучаться и работать с данными такого вида. В качестве домашнего задания, будущие data scientists должны будут написать алгоритм определения аномалий работы процессоров на основании исторических данных, а также научиться компрессировать изображение, уменьшая количество цветов.

С предыдущим заданием — прогнозированием цены квартиры, на основе данных из объявлений на сайте купли-продажи недвижимости. справились на отлично – Сергей Шельпук отметил, что при возможном максимуме в 45 баллов, средняя оценка группы составила 42 балла.

25.03.2016
Что нового
комментарии
Лекции
WATCH&SHARE
Рынок
ОБЗОР РЫНКОВ
ОТРАСЛЕВЫЕ ТРЕНДЫ
ЭКСПЕРТЫ
ИДЕИ
ИННОВАЦИИ
ВДНГ TECh
ПРАКТИКА
БИЗНЕС-ПЛАНЫ
ЗНАНИЯ
ИСТОРИИ УСПЕШНЫХ
ТЕЛЕКОМ ДЛЯ БИЗНЕСА