Машинне навчання – це сучасна галузь науки, покликана автоматизувати процеси, які раніше були доступні лише людям. Прикладами таких процесів є аналіз зображень (наприклад, для оцінки дорожньої ситуації безпілотним автомобілем), генерація мови (наприклад, для автономного чат-боту служби підтримки, який відповідає на типові питання клієнтів) та інші. Подібні задачі неможливо розв’язати детерміністичними методами (як-то класичне програмування), тому доводиться застосовувати більш складні, стохастичні алгоритми (тобто алгоритми з елементами випадковості).
На кафедрі теорії ймовірностей, статистики та актуарної математики ви зможете познайомитися із найсучаснішими здобутками цієї динамічної науки, причому як з інженерної точки зору (реалізуючи та використовуючи існуючі алгоритми), так і з наукової – досліджуючи межі застосування алгоритмів, принципи їх роботи та шляхи покращення ефективності.
Машинне навчання умовно поділяють на:
- навчання з учителем (supervised learning)
- навчання без учителя (unsupervised learning)
- навчання з підкріпленням (reinforcement learning)
Зокрема, найбільш популярні алгоритми навчання з учителем пов’язані із задачею вивчення залежності між відгуком і предикторами (регресією) та задачею класифікації:
- лінійна регресія
- логістична регресія
- k-найближчих сусідів
- наївний баєсівський класифікатор
- опорна машина векторів
- дерева
- ансамблеві алгоритми
Алгоритми навчання без учителя:
- метод k-середніх
- різні методи оцінки щільності
- матрична факторизація
Алгоритми навчання з підкріпленням:
- теорія ігор
- динамічне програмування
- дослідження операцій тощо
Інший вимір машинного навчання – це нейронні мережі (neural networks) і глибоке навчання (deep learning). Слово “глибоке” означає нашарування алгоритмів один за одним. Нейронні мережі себе дуже добре зарекомендували для певного класу задач – а саме, комп’ютерного бачення і лінгвістики.
Майже повністю – це статистика, не даремно поряд із машинним навчанням також часто використовують термін «статистичне навчання» (statistical learning). Безумовно, велику роль відіграють навички програмування і знання обчислювальних методів, оскільки алгоритми на практиці зазвичай застосовують онлайн, а також при роботі з великими обсягами даних (big data), то важливу роль відіграє швидкість реалізованих алгоритмів.
На нашій кафедрі студенти мають можливість ознайомитися із сучасним досягненнями в області машинного навчання та опанувати професію інженера систем штучного інтелекту (AI engineer) чи аналітика даних (data scientist). Ми постійно удосконалюємо наші навчальні програми та практичні завдання, та пишаємось тим, що наші випускники здатні ефективно конкурувати на цьому динамічному ринку.
Навчаючись на спеціальності Статистика, ви дізнаєтесь про те, що таке машинне навчання, які задачі воно виконує, як машинне навчання пов’язано зі штучним інтелектом та в чому відрізняється. Ви отримаєте можливість опанувати методи глибокого навчання, розібратися в основних методах побудови нейронних мереж.
У наших курсах ми розглядаємо сучасні моделі комп’ютерного бачення, розпізнавання образів, пошук об’єктів на зображеннях, а також задачі природної обробки мови (Natural Language Processing), такі як машинний переклад, генерація тексту, аналіз емоційного забарвлення тексту та інші.
Вищеописані моделі мають надзвичайне значення у сучасних застосуваннях. Автономні автомобілі, автоматизовані чат-боти, генератори зображень, відео, голосу та тексту, робототехніка та інші застосування неможливі без моделей, заснованих на глибоких нейронних мережах.
Опанувавши курси, які пропонує Університет, ви отримаєте можливість обрати для себе цікаву, сучасну, нетривіальну та високооплачувану спеціальність, що користується величезним попитом на ринку, який зростає з року в рік.
В.В. Голомозий, кандидат фізико-математичних наук, Р.Є. Ямненко, доктор фізико-математичних наук