Машинное обучение — это способ автоматического улучшения алгорит-

мов благодаря опыту. Искусственный интеллект учится распознавать

информацию и с каждым разом делает это все лучше и лучше, потому
что учитывает предыдущие шаги. Это крайне востребовано сегодня в
большинстве отраслей: от развлекательных до банковских и меди-
цинских.
Есть несколько методов машинного обучения. Основаны они на том, что
искусственному интеллекту предлагаются некоторые вводные данные,
на базе которых он должен найти правильное решение.
Машинное обучение (Machine Learning) представляет собой метод обу-

чения компьютерных систем, основанный на статистических моделях и

логических операциях. Этот способ автоматического улучшения алго-

ритмов предполагает отсутствие четких инструкций. Проще говоря,

компьютерной системе ставится задача не в формате «сделай 2+2», а

«сделай аналогично», используя входные данные.

Машину учат мыслить, как человек, только в разы быстрее. Методы ма-

шинного обучения постоянно развиваются. Сегодня компьютерные си-

стемы показывают глубокую обработку больших объемов информации.

Машинное обучение (Machine Learning) представляет собой метод обу-

чения компьютерных систем, основанный на статистических моделях и

логических операциях. Этот способ автоматического улучшения алго-

ритмов предполагает отсутствие четких инструкций. Проще говоря,

компьютерной системе ставится задача не в формате «сделай 2+2», а

«сделай аналогично», используя входные данные.

Машину учат мыслить, как человек, только в разы быстрее. Методы ма-

шинного обучения постоянно развиваются. Сегодня компьютерные си-

стемы показывают глубокую обработку больших объемов информации.В

течение длительного времени компьютеры использовались для реше-

ния тех задач, которые посильны человеку. Относительно недавно при-

шло понимание, что ключевой плюс машин в скорости обработки

большого объема информации и выполнения логических операций. Че-

ловеку непосильно решение многих задач, которые компьютерная систе-

ма делает моментально.

Машина даст быстрый и точный результат, если задать верные входные

данные в нужном объеме. Это привело к появлению искусственного ин-

теллекта и машинного обучения, которые сейчас активно развиваются и

совершенствуются.

Основой машинного обучения выступает совокупность обработанной и

структурированной информации. Это датасеты

датасеты. Они представляют собой

примеры решения тех или иных операций человеком или компьютерной

системой.

На основании датасетов разработчики обучают компьютерные системы

работать с блоками информации: классифицировать, прогнозировать,

разрабатывать новые алгоритмы решения стандартных задач, строить

гипотезы и т.п. Датасеты растут с каждым днём, а методы искусственно-

го интеллекта совершенствуются.

Пример развития технологий машинного обучения — Яндекс Музыка.

Сервис умеет анализировать музыкальные предпочтения пользователя,

находить аналоги и добавлять в плейлист те песни, которые придутся

по вкусу. Авторство данной инновационной технологии принадлежит

Netflix. Она кардинально изменила логику потребления цифрового

контента во всем мире. Сейчас рекомендательные системы активно ис-

пользуются в разных сферах.

Программист не дает компьютерной системе четкие инструкции, учиты-

вающие все возможные комбинации и решения. Машина программирует-
ся на самостоятельный поиск и аналитику на базе входных данных. Она
находит закономерности по ряду признаков, классифицирует объекты и
осуществляет прогнозирование.
Машинное обучение начинается с загрузки датасета. Это исходные дан-

ные для обработки запросов. Например, фотографии кошек и собак с

метками. После машинного обучения компьютерная система самостоя-

тельно распознает животных в новой базе данных, где метки не будут

проставлены. Обучение не заканчивается после выданных системой

прогнозов. Чем больше данных проанализировано, тем точнее результа-

ты.

Использование технологий машинного обучения позволяет компью-

терам распознавать на изображениях не только лица, но и любые объек-

ты, предметы и т.п. Также они эффективно используются в текстовых ре-

дакторах для проверки грамматики и орфографии. Это автоматические

системы, которые способны не только проверять правописание, но и по-

нимать контекст, смысловую нагрузку и лингвистические тонкости. Уже

существуют специализированные программы, которые самостоятельно

пишут статьи на различные темы (новости, экономика, спорт и т.д.).

История машинного обучения

Сначала компьютеры решали те задачи, которые доступны человеческо-

му мозгу. Последние годы господствует понимание, что машины способ-

ны находить новые алгоритмы выполнения операций. Искусственный

интеллект активно развивается и используется во многих сферах наря-

ду с технологиями машинного обучения.

История применения метода машинного обучения началась в 1950 году с

разработки программ для игры в шашки. Общий алгоритм, использован-

ный на тот момент, актуален до сих пор. Рост вычислительных мощно-

стей компьютеров привел к усложнению задач, которые ставятся перед

машинным обучением.

Основные этапы становления машинного обучения:

В 1946 году публике была представлена инновационная для того вре-

мени разработка — первый электронный цифровой вычислитель об-

щего назначения в рамках ЭНИАК, сверхсекретного проекта армии

США. Американские военные составляли электронные таблицы для

того, чтобы метко стрелять по вражеским целям. Но, помимо этого,

компьютер был запрограммирован для решения широкого спектра за-

дач.
В 1950 году британский учёный Алан Тьюринг разработал эмпириче-

ский тест, призванный определить способность компьютера мыслить,

как человек.

В 1958 году американский ученый в области психологии, нейрофизио-

логии и искусственного интеллекта Фрэнк Розенблатт разработал

Персептрон — компьютерную модель восприятия информации мозгом.

Это была одна из первых моделей нейросетей. На его базе был создан

нейрокомпьютер «Марк-1».

В 1959 году американский ученый в области искусственного интеллек-

та Марвин Минский разработал SNARC — первую искусственную ней-

ронную сеть для решения комплексных задач.

В 1959 году американский исследователь Артур Самуэль создал пер-

вую самообучающуюся компьютерную игру в шашки. Именно он ввел

термин «машинное обучение». Автор считал, что это процесс, в ре-

зультате которого компьютер способен продемонстрировать поведе-

ние, не запрограммированное в нем изначально.

В 1967 году был разработан первый метрический алгоритм, используе-

мый для классификации данных. Искусственный интеллект начал при-

менять шаблоны для распознавания и обучения.

В 1997 году суперкомпьютер Deep Blue впервые выиграл матч из 6 пар-

тий у чемпиона мира по шахматам Гарри Каспарова.

В 2006 году британский ученый Джеффри Хинтон ввел термин «глубо-

кое обучение» (deep learning). Искусственные нейронные сети обуча-

ются на огромных объемах данных. Это направление сейчас активно

 развивается и является одним из самых передовых.

В 2011 году был основан Google Brain — проект работы с нейросетями.

В 2012 году в подразделении Google X Lab создали нейросетевой алго-

ритм распознавания котов на изображениях и видео. В этом же году

был основан облачный сервис Google Prediction API, предназначенный

для машинного обучения и анализа.

В 2014 году в компании Марка Цукерберга была разработана нейро-

сеть DeepFace, умеющая распознавать лица на фото и видео с точно-

стью до 97%.

В 2015 году компания Amazon выпустила Amazon Machine Learning. Это

платформа машинного обучения. В этом же году аналог разработал

Microsoft: Distributed Learning Machine Toolkit.

Машинное обучение является одной из областей искусственного интел-

лекта. Эта прогрессивная технология базируется на алгоритмах, обучаю-
щих машины на основе входных данных разрабатывать самые эффек-
тивные решения, прогнозировать и выполнять различные сложные зада-
чи.
Модели машинного обучения имеют широкий функционал:

Распознавание и классификация изображений

изображений. Машинное обучение

способно обнаружить не только заданные объекты, но и образы, сим-

волы и т.д. Нейросети сравнивают данные с базой изображений и

ищут соответствия. Это активно используется в медицинских целях

для диагностики, например, онкологических заболеваний на основа-

нии рентгеновских снимков.

Анализ текста
текста. Это метод машинного обучения, который используется

для извлечения информации из неструктурированных текстовых дан-

ных. Например, для анализа отзывов клиентов о товарах или услугах

бренда в социальных сетях.

Прогнозирование временных рядов

рядов. Машинное обучение активно ис-

пользуется для оптимизации производственных мощностей, уровня

товарных запасов, курса акций на фондовом рынке и т.д.

Выявление мошенничества и кибербезопасность

кибербезопасность. Например, обнаруже-

ние незаконных банковских операций.

Рекомендательные системы
системы. Это интеллектуальная помощь пользова-

телю сориентироваться в многообразии продуктов, сериалов, книг и

т.д. Рекомендательные системы основываются на личных предпочте-

ниях и часто просматриваемом контенте.

Системы обработки речи

речи. Они используются, например, для автомати-

ческого перевода на разные языки.

Разработка беспилотных автомобилей

автомобилей. Это системы автоматического

управления электромобилями, позволяющие безопасно передвигаться

без водителя. Система определяет различные препятствия (свето-

форы, пешеходов, бордюры), а также оптимальный маршрут и ско-

рость.

Анализ аудиоданных
аудиоданных. Машинное обучение позволяет создавать усло-

вия для понимания компьютером смысла речи человека.

Оптимизация всех бизнес-процессов

бизнес-процессов. Машинное обучение в различ-
 ных областях промышленности, производства и торговли дает воз-

можность управлять многими ключевыми аспектами деятельности.

Это контроль качества выпускаемой продукции, автоматизация рутин-

ных процессов, частичная или полная замена человеческого ресурса,

минимизация простоев, аварий и т.д.

Обработка медицинских данных

данных. Машинное обучение позволяет диа-

гностировать онкологические заболевания или диабет, анализируя

медицинские данные и вычленяя заданные признаки.

Какие задачи решает машинное обучение

Современные исследования в области искусственного интеллекта наце-

лены на наиболее эффективное использование данных и разработку си-

стем глубокого обучения. Сегодня компьютерные системы обладают вы-

сокой производительностью.

Искусственный интеллект благодаря машинному обучению эффективно

справляется с широким спектром задач: аналитика данных, прогнозиро-

вание, выбор оптимального варианта из имеющихся, поиск аномальных

операций, принятие рациональных решений и многое другое.

Востребованы системы машинного обучения в сферах, где выполняется

большое количество вычислительных операций. Это банковский ско-
ринг (система оценки кредитоспособности лица), аналитика в маркетин-
ге, статистике и демографии, бизнес-анализ и планирование, выбор ин-
вестиционных стратегий, обнаружение фейковых новостей и мошенни-
ческих операций.
Рассмотрим на примерах, какое машинное обучение применяют крупные

производители.

Международная компания-ритейлер «Леруа Мерлен» использует Big

Data и Machine Learning с целью определения товарных остатков на

складах.

Рекомендательные системы широко используются в сфере e-

commerce и маркетинге для настройки сервисов и приложений.

Стриминговый сервис Spotify использует машинное обучение для пер-

сональных подборок музыки на основе личных предпочтений.

Китайский производитель роботов-пылесосов Ecovacs Robotics благо-

даря технологиям машинного обучения разработал функцию интел-

лектуальной уборки. Пылесос распознает посторонние предметы,

например, провода.

Функция автоматического распознавания улыбки и использование го-

лосовых команд применяется в камере на базе микрокомпьютера

Raspberry Pi 3B+ с помощью фреймворка TensorFlow Light.

Использование в инвестировании позволяет проводить рыночную

аналитику, мониторить актуальные новости, выбирать самые выгод-

ные на данный момент активы и оценивать риски. Также машинное

обучение дает возможность прогнозировать изменение рыночной сто-

имости акций и корректирует данные после важных новостей.

BarclayHedge провело исследование, показавшее, что больше полови-

 ны хедж-фондов используют искусственный интеллект и машинное

обучение для инвестиционных решений, а 2/3 — для разработки тор-

говых идей и максимизации доходов с одновременным снижением

рисков.

Благодаря технологиям машинного обучения осуществляются даже

научные открытия. Например, нейросеть AlphaFold от DeepMind, при-

надлежащая Google, в 2020 году расшифровала механизм сворачива-

ния белка. К слову, ученые-биологи не могли решить эту задачу более

50 лет.

Преимущества и недостатки машинного обучения.

Рассмотрим плюсы и минусы моделей машинного обучения.

Основные преимущества:
 Способность выявлять закономерности, тенденции и делать наиболее

вероятные прогнозы, неочевидные на первый взгляд.

Осуществление определенного функционала без вмешательства чело-

века. Например, использование машинного обученияв целях кибербе-

зопасности позволяет защищать системы от взломов, утечки данных,

вредоносного программного обеспечения. При этом не требуется уча-

стие специалиста.

Результаты становятся точнее по мере роста объема доступных дан-

ных.

Способность обрабатывать большие объемы различных данных в ди-

намических системах.

Недостатки:

Высокая стоимость внедрения, а также реализации при отсутствии до-

статочного объема данных для машинного обучения.

Необходимо дорогостоящее оборудование и специалисты для его

установки.

Трудности в интерпретации полученных результатов без помощи про-

фессионала.

Основные виды машинного обучения

Существующие алгоритмы машинного обучения разделяют на 2 основ-

ных вида: обучение с учителем (supervised learning) или без него

(unsupervised learning). В обоих видах обучения компьютерной системе

предоставляются исходные данные для аналитики и поиска закономер-

ностей.

Согласно терминологии машинного обучения, учитель — это необяза-

тельно программист, который осуществляет контролирующие функции

над работой машины. Это любое вмешательство человека в обработку

данных.

Этот вид объединяет алгоритмы и методы построения моделей, осно-

ванные на большом количестве демонстрационных примеров. В них со-

держатся не только входные данные, но и выходные. Алгоритм относит-

ся к машинному обучению с учителем, если имеются независимые пере-

менные и целевое значение, которое модель выделяет после обучения.

Например, система способна распознавать написанные от руки или фи-

гурные цифры и соотнести их с конкретным числом. Проще говоря, обу-

чение с учителем призвано подтвердить или опровергнуть ряд гипотез.

Предполагается, что есть полный набор размеченных данных для трени-

ровки модели машинного обучения.

Среди достоинств данного вида — простота структуры. Машинное обу-

чение с учителем идеально подходит для задач с большим объемом до-
стоверных данных. Оно используется в основном для классификации и
регрессии.

В машинном обучении маркировка данных — это процесс идентифика-

ции входных данных с конкретными выходными значениями. Размечен-

ные данные обязательно нужны для обучения с учителем. Пример мар-

кировки: миллионы изображений котов и собак отмечены словами «кош-

ка» и «собака». Различные приложения машинного обучения могут при-

менять эти датасеты для угадывания названия животного по картинке.

Нужно понимать, что маркировка огромного объёма данных — это

крайне трудоемкий процесс.

Существующие приложения машинного обучения могли бы использо-

вать эти обучающие данные для того, чтобы угадывать любые объекты

по их изображениям. Однако маркировка миллионов новых данных яв-

ляется трудоемким и сложным процессом для одного специалиста. Су-

ществуют сервисы коллективной работы, например, Amazon Mechanical

Turk. Они позволяют разбить любой трудоемкий процесс на микрозада-

чи и раздать их выполнение исполнителям онлайн. Это помогает уско-

рить разработки машинного обучения и маркировку данных.

Алгоритмы обучения данного вида используют неразмеченные данные.

Нейронная сеть самостоятельно находит корреляции в данных, извле-

кает полезные признаки и анализирует их. Например, машинное обуче-

ние без учителя может подбирать похожие статьи с различных сайтов и

группировать их по категориям: наука, спорт, инвестиции и т.д. Исполь-

зуется технология обработки естественного языка для интерпретации и

понимания смысла и эмоций.

Машинное обучение без учителя в торговле позволяет найти общие при-

знаки в покупках и проанализировать эти данные. Результат может

быть таким: с большой вероятностью покупатель приобретёт хлеб, если

покупает сливочное масло.

Эффективен данный алгоритм обучения для подбора ряда похожих дан-

ных и их группирования, обнаружения аномалий, ассоциаций. Настройка

машинного обучения без учителя является достаточно простой. Данный

алгоритм применим также для автоматической очистки входных данных

для разработки модели. Среди недостатков этого вида машинного обу-

чения то, что он не способен дать четкие прогнозы и выделить конкрет-

ные типы выходных данных.

Обучение нейросети с частичным привлечением учителя

Это золотая середина. Обучающий датасет содержит как размеченные,

так и неразмеченные данные. Изначально небольшое количество дан-

ных с метками используется для машинного обучения. Далее алгоритм

сам ставит метки на неразмеченные датасеты. Это так называемая псев-

домаркировка. На заключительном этапе модель переобучается на раз-

меченном датасете без очевидного программирования.

Достоинство такого вида машинного обучения заключается том, что не

нужно большое количество данных с метками. Это очень удобно для

длинных документов, медицинских изображений и т.п.

Обучение с подкреплением

Этот алгоритм предполагает определенные значения вознаграждений,

которые привязаны к шагам. Обучение с подкреплением действует по

принципу видеоигры. Данная модель машинного обучения преследует

цель получить максимальное количество призовых баллов. Результаты

использования обучения с подкреплением в играх во многом превосхо-

дят аналоги, сделанные вручную.

В контексте бизнеса обучение с подкреплением показывает недостаточ-

ную эффективность в связи с тем, что оно ориентировано на работу с

неопределенными средами данных. Также присутствует элемент пред-

взятости разработчиков, программирующих награды.

Типы задач машинного обучения

Стандартно выделяют следующие ключевые задачи машинного обуче-

ния: классификация, регрессия, кластеризация и обработка естественно-

го языка.
Классификация

В искусственном интеллекте и машинном обучении представляет собой

разделение множества объектов на классы на основе определенного

признака. Заданы метки классов для обучающего множества. Например,

классификацию используют для того, чтобы определить, относится ли

электронное письмо к спаму. Машинное обучение базируется на примере

писем с метками. Классификация дает категориальный ответ, основы-

ваясь на наборе признаков.

Регрессия

Этот тип задач машинного обучения, основанный на зависимости слу-

чайной величины от одной или нескольких других случайных величин.

Регрессия активно используется для решения различных бизнес-задач.

Это, прежде всего, прогнозирование. Например, можно определить стои-

мость на недвижимость, исходя из ее ключевых характеристик (количе-

ство комнат, этаж, ремонт, инфраструктура и т. д.). Модель обучается на

данных, содержащих информацию о проданных объектах, и прогнозиру-

ет цену.
Кластеризация

Кластеризация — это объединение объектов в непересекающиеся груп-

пы, основанное на определенных признаках. Пример использования кла-

стеризации — определение целевой аудитории, покупающей определен-

ные товары. Модель обучается на базе данных о покупках. Она может са-

ма группировать покупателей, имеющих схожие потребности.

Обработка естественного языка

Этот тип задач машинного обучения посредством аналитики текста из-

влекает важные данные. Он активно используется для определения,

например, положительный или отрицательный отзыв о товаре или услу-

ге. Модель обучается на базе отзывов и умеет определять их тональ-

ность.

Алгоритмы машинного обучения

Базовые алгоритмы машинного обучения находят широкое применение

при решении ряда прикладных задач. Их знание необходимо для любого

специалиста, занимающегося аналитикой данных и разработкой прило-

жений искусственного интеллекта. Профессионал сможет выбрать наи-

более подходящий алгоритм для решения поставленной задачи, разби-

раясь в их специфике.

Линейная регрессия

Это основополагающий алгоритм машинного обучения. Линейная ре-

грессия представляет собой модель линейной зависимости одной пере-

менной от другой или нескольких. Это легко интерпретируемая матема-

тическая формула, которая используется для предсказательной анали-

тики в различных сферах.

Логистическая регрессия

Этот алгоритм используется для анализа данных и поиска взаимосвязей

между двумя факторами данных. Обычно берется бинарная логистиче-

ская регрессия для решения задач классификации. Они имеют 2 возмож-

ных результата.

Регрессионное дерево

Этот алгоритм используется с целью классификации и численного пред-

сказания. Построение деревьев решений заключается в последователь-

ном разбиении множества на подмножества. Разбивка на подмножества

продолжается, пока все узлы в конце ветвей не станут листами.

 Случайный лес

Это алгоритм используется для решения задач машинного обучения, та-

ких как классификация, кластеризация, численное предсказание, поиск

аномалий и т.д. Случайный лес состоит из большого количества дере-

вьев решений. Используется случайность признаков при построении

каждого отдельного дерева. Таким образом создаётся некоррелирован-

ный лес. Прогноз «комитета» точнее прогноза каждого отдельного дере-

ва.

Метод опорных векторов (SVM)

Данный алгоритм используется для решения задач классификации и

численного предсказания. В SVM строится гиперплоскость, разделяю-

щая объекты выборки самым оптимальным способом. Также этот алго-

ритм эффективен для решения задачи поиска аномалий.

К-средних

Это самый популярный алгоритм кластеризации данных. Данные произ-

вольно разбиваются на кластеры, являющиеся группой объектов, кото-

рые близки друг к другу в пространстве признаков.

Нейронные сети

Данный алгоритм машинного обучения решает большое число различ-

ных задач, в том числе классификацию, регрессию и т.д. Нейронные се-

ти представляют собой модель, которая имитирует человеческий мозг.

Они обучаются на больших датасетах, в которых каждый нейрон нахо-

дит общие признаки.

Градиентный бустинг

Это продвинутый алгоритм машинного обучения, решающий задачи

классификации и численного предсказания. Свои прогнозы он строит на

ансамбле слабых моделей (деревья решений), из которых собирается

одна эффективная.

Ассоциативные правила

Этот алгоритм позволяет находить закономерности между связанными

событиями и любопытные факторы в базах данных. Он может обнару-

жить не только явные, но и скрытые закономерности между переменны-

ми.

Список алгоритмов машинного обучения можно продолжить: наивный

Байес, SVM с ядром, метод k-ближайших соседей (k-NN) и т.д. У каждого

из них имеется своя специфика и область применения.

Примеры применения машинного обучения в реальной жизни

Применение в медицине

С точки зрения машинного обучения, пациенты — это объекты. Симпто-

матика заболеваний, анализы, история болезни, лечебный протокол —

это признаки. Их можно классифицировать по категориям.

Бинарные признаки: пол, наличие или отсутствие того или иного симпто-

ма. Порядковый признак: степень тяжести заболевания. Количествен-

ные признаки: возраст, вес, ключевые показатели здоровья (артериаль-

ное давление, пульс и т.п.). Все перечисленные и другие необходимые

данные загружаются в компьютер. Благодаря использованию машинно-

го обучения решается широкий спектр задач. Среди них:

выявление основных симптомов, которые присущи заболеванию;

постановка диагноза на основании вычлененных данных;

подбор самой оптимальной тактики лечебной терапии;

прогноз развития заболевания, его длительности, перспектив выздо-

ровления или ремиссии;

расчет наиболее вероятных осложнений.

Нет такого врача, который мог бы мгновенно проанализировать большой

объем информации по каждому пациенту и тут же поставить диагноз, а

также назначить наиболее эффективную лечебную терапию. Именно

поэтому внедрение машинного обучения в медицине является очень ак-

туальным и востребованным направлением.

Разведка и оценка местоположения полезных ископаемых

В данном случае признаками выступают данные, полученные благодаря

геологической разведке. Признак бинарного вида — наличие в конкрет-

ном месте определенных полезных ископаемых. Количественными и ка-

чественными признаками будут выступать физические и химические

свойства пород.

Для машинного обучения используются 2 типа данных: места, где нахо-

дятся известные месторождения полезных ископаемых и места, имею-
щие схожие параметры, но без обнаруженных месторождений с по-
лезными ископаемыми. Важно учитывать особенности добычи редких
ископаемых. Часто число признаков больше месторождений, а значит,
стандартные статистические методы не эффективны в данном случае.
Использование машинного обучения предполагает поиск закономерно-

стей в уже имеющихся данных. Вычленяются самые информативные

признаки или их группы, которые являются наиболее характерными для

ответа на вопрос — имеются ли полезные ископаемые в определенном

месте.

Если сравнить поиск месторождений с медициной, то определяются

«симптомы» месторождений. В этой сфере открытия, сделанные с помо-

щью машинного обучения, являются ценными не только с практической

и финансовой точки зрения. Они чрезвычайно интересны с точки зрения

науки геологии.

Оценка кредитоспособности и надежности заемщика

Каждый день в банки поступает большое количество заявок на выдачу

кредита. Естественно, автоматизация процесса оценки платежеспособ-

ности заемщика является актуальной уже длительно время, начиная со

второй половины XX века. Тогда в США и других странах стали активно

внедряться кредитные карты.

В основном банки используют скоринговую систему оценки кредито-

способности заемщика. Объектами выступают лица, запрашивающие у

банка заем. У физического или юридического лица будут разные призна-

ки, которые формируются на основании анкеты, а также по другим

банковским каналам.

Эти признаки можно разделить на бинарные (пол, контактный телефон),

порядковые (занимаемая должность, какое образование), количествен-

ные (сумма займа, имеющиеся кредиты в других банках, возраст, се-

мейное положение, заработная плата и иные источники дохода и т.п.),

номинальные (ФИО, место работы, адрес).

Машинное обучение использует данные лиц, чья кредитная история из-

вестна. Заемщиков делят на классы. Условно говоря, выделяют «хоро-
ших» и «плохих». Естественно, что одобрение банк даёт только катего-
рии «хороших» заемщиков.
Использование машинного обучения позволяет автоматизировать ру-
тинные задачи, эффективно управлять имеющимися ресурсами, разви-
вать новые направления и находить дополнительные источники дохода,
экономить время. Активное внедрение машинного обучения — это от-
личное решение для качественного преобразования работы бизнеса за
счет оптимизации и автоматизации всех процессов.
Использование программного обеспечения по обработке и аналитике
данных позволяет компаниям быстрее достигать поставленных целей:
количественных, качественных и финансовых.
 Министерство образования и науки Республики Казахстан

Колледж информационных технологий и бизнеса

ДОКЛАД

НА ТЕМУ «ПРИНЦИПЫ МАШИННОГО ОБУЧЕНИЯ И НЕЙРОННЫХ СЕТЕЙ»

СТУДЕНТ: ГОНТАРЕВ А.Д.

ГРУППА: 23912-УА

ПРЕПОДАВАТЕЛЬ:________________________________

ПАВЛОДАР 2023Г.