Искусственный интеллект: теория, практика и перспективы - стр. 2

– **Контролируемое обучение**: система получает набор заранее размеченных данных, учится находить закономерности между признаками объектов и целевыми метками. Например, в задаче классификации фотографий животные помечаются соответствующими классами («кошки», «собаки»).

– **Неконтролируемое обучение**: данные не имеют разметки, и задача системы состоит в выявлении скрытых структур и закономерностей внутри массива информации. К примеру, группировка пользователей по поведению на сайте.

Кроме того, существуют гибридные подходы, объединяющие элементы обоих методов, а также специальные методики, такие как обучение с подкреплением, при котором агент обучается путем взаимодействия с окружающей средой и максимизации вознаграждения.

#### **Заключение главы**

Таким образом, искусственный интеллект представляет собой область знания, направленную на создание автономных систем, способных решать разнообразные задачи и адаптироваться к новым условиям. От примитивных экспертных систем прошлых десятилетий современные решения эволюционировали до уровня сложных нейронных сетей, способных распознавать речь, понимать тексты и управлять сложными техническими системами. Следующие главы будут посвящены углубленному изучению основ работы ИИ, основным инструментам и практическим аспектам внедрения искусственных интеллектов в разные сферы человеческой деятельности.

Данная глава призвана познакомить вас с основными технологиями и инструментами, используемыми в сфере искусственного интеллекта. Вы узнаете о ключевых методах, лежащих в основе современного ИИ, получите представление о популярных библиотеках и платформах, используемых разработчиками, а также ознакомитесь с примерами успешного применения этих технологий в реальных проектах.

#### **Машинное обучение и глубокое обучение**

Одним из центральных направлений в области искусственного интеллекта является **машинное обучение**. Оно позволяет компьютерам самостоятельно улучшать свою производительность без прямого программирования. Вместо написания подробных инструкций машина изучает закономерности на основании предоставленных данных и делает выводы, основываясь на полученных знаниях.

Существуют две крупные категории машинного обучения:

– **Контролируемое обучение**: Система обучается на размеченном наборе данных, где каждому объекту соответствует определенный результат. После обучения алгоритм способен классифицировать новые объекты либо предсказывать числовое значение для неизвестных примеров.

– **Неконтролируемое обучение**: Алгоритм сам находит структуры и связи в необработанном массиве данных. Наиболее распространенными методами неконтролируемого обучения являются кластеризация и уменьшение размерности.