Машинное обучение

В настоящее время разработано множество подходов к созданию интеллектуальных систем. Каждому из них соответствует довольно обширная отрасль знаний со своим математическим аппаратом, номенклатурой и областью применимости.

Можно выделить следующие фундаментальные разновидности систем машинного обучения:

  • искусственные нейронные сети;
  • байесовские сети;
  • решающие деревья;
  • генетические алгоритмы;
  • системы с нечёткой логикой и некоторые другие.
Машинное обучение — это раздел информатики, занимающийся методами построения алгоритмов, способных обучаться решению задачи на основе имеющихся данных, без предварительного явного программирования под эту задачу.

Современные коммерческие системы на основе машинного обучения как правило сочетают несколько фундаментальных элементарных систем.

Обучение с подкреплением

Для решения некоторых задач мы используем методы Reinforcement Learning (обучение с подкреплением). Данный вид машинного обучения характеризуется выделением понятий «среда» и «агент». Агент совершает какое-либо действие из набора возможных, среда соответствующим образом изменяется, алгоритм вычисляет «награду», полученную агентом.

Схема работы обучения с подкреплением
Схема работы обучения с подкреплением

Обучение с подкреплением требует большого количества экспериментов агента над средой, поэтому оно применяется, когда есть возможность симулировать поведение среды. У нас есть опыт применения RL в задачах оптимизации игровой механики и в задачах преобразования текстов на естественном языке.

Прогнозирование временных рядов

Компания Econophysica имеет успешный опыт создания систем машинного обучения для повышения качества прогноза курсов ценных бумаг, основанных на статистических моделях. Для подобных задач хорошо себя зарекомендовали многоуровневые системы с выделенными модулями для детектирования переключения режимов работы рынка.

Для решения задач по прогнозированию курсов ценных бумаг Econophysica использует многоуровневые системы с выделенными модулями для детектирования переключения режимов работы рынка.

Опыт решения коммерчески значимых задач прогнозирования временных рядов показывает, что достичь удовлетворительного качества прогноза при помощи какой-либо одной фундаментальной интеллектуальной системы не удаётся. Наилучшее качество прогноза демонстрируют гибридные многоуровневые системы машинного обучения.

Обработка изображений

Большой класс современных задач решается с применением систем распознавания образов на изображениях. Наилучших результатов в таких системах достигают модели, построенные по технологии глубокого обучения.

Глубокое обучение — это набор методов, позволяющих обучать многослойную нейронную сеть. Каждый следующий слой нейронной сети повышает абстрактность выводов предыдущего слоя. Для тренировки многослойных нейросетей используются современные графические ускорители.

Глубокое обучение — это методы, обучающие многослойную нейронную сеть с использованием современных графических ускорителей.

Примеры наших проектов, в которых обработка изображений позволила достигнуть поставленных целей — проект по восстановлению глубины со стереопары изображений и проект по анализу склонностей пользователей социальных сетей по фотографиям в их аккаунтах.

Пресечение попыток мошенничества

Компания Econophysica успешно применяет технологии машинного обучения для выявления попыток мошенничества в финансовых транзакциях. Для этих целей создаются интеллектуальные системы, реализующие технологии алгоритмов классификации и кластеризации.

На основе имеющегося массива данных система определяет типовые модели поведения участников финансовых операций, деля их на кластеры. Появление нетиповых для кластера паттернов поведения является мощным признаком, указывающим на вероятность мошеннических действий.