Cyfroteka.pl

klikaj i czytaj online

Cyfro
Czytomierz
00867 011759 7450251 na godz. na dobę w sumie
Naczelny Algorytm. Jak jego odkrycie zmieni nasz świat - ebook/pdf
Naczelny Algorytm. Jak jego odkrycie zmieni nasz świat - ebook/pdf
Autor: Liczba stron: 320
Wydawca: Helion Język publikacji: polski
ISBN: 978-83-283-2449-7 Data wydania:
Lektor:
Kategoria: ebooki >> komputery i informatyka >> programowanie >> algorytmy - programowanie
Porównaj ceny (książka, ebook (-25%), audiobook).
Algorytmy uczące się wpływają na nasze życie w coraz większym stopniu, obserwując każdy nasz krok i podsuwając gotowe rozwiązania, zanim o nie poprosimy. Co więcej, uczenie maszynowe pozwala inteligentnym robotom i komputerom programować się samodzielnie. To technologia niezwykle ważna dla naszej przyszłości i równocześnie niezwykle tajemnicza. Jej uwieńczeniem będzie Naczelny Algorytm — algorytm doskonały, który pozyska całą wiedzę świata. Konsekwencje tego możemy sobie wyobrazić tylko w przybliżeniu.

Niniejsza książka uchyla rąbka tajemnicy i pokazuje, jak działają maszyny uczące, dzięki którym funkcjonują Google, Amazon i nasze smartfony. Autor prezentuje pięć głównych szkół uczenia maszynowego, z których każda daje różne odpowiedzi na te same, fundamentalne pytania o uczenie się, o pozyskiwanie wiedzy i jej wykorzystanie. W przystępny sposób wyjaśnia, jak może wyglądać projekt Naczelnego Algorytmu i co jego odkrycie przyniesie naszej cywilizacji. Dzięki tej niezwykle ważnej książce intelektualna historia ostatniego stulecia nabierze zupełnie innego wymiaru!

Najważniejsze poruszone tu zagadnienia:

Naczelny Algorytm — to gra o wszystko, co ważne!


Pedro Domingos wykłada informatykę na University of Washington w Seattle. Jest autorem i współautorem licznych publikacji dotyczących uczenia maszynowego i eksploracji danych. Od lat cieszy się uznaniem w branży: jest laureatem wielu nagród i wyróżnień, w tym nagrody SIGKDD Innovation Award — jednego z najważniejszych wyróżnień na polu analityki danych. Jest członkiem Stowarzyszenia Rozwoju Sztucznej Inteligencji. Mieszka w Seattle.
Znajdź podobne książki

Darmowy fragment publikacji:

Tytuł oryginału: The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World Tłumaczenie: Rafał Ociepa ISBN: 978-83-283-2448-0 Copyright © 2015 by Pedro Domingos Published by Basic Books, A Member of the Perseus Books Group. All rights reserved. No part of this book may be reproduced in any manner whatsoever without written permission except in the case of brief quotations embodied in critical articles and reviews. Polish edition copyright © 2015 by Helion SA All rights reserved. Wszelkie prawa zastrzeżone. Nieautoryzowane rozpowszechnianie całości lub fragmentu niniejszej publikacji w jakiejkolwiek postaci jest zabronione. Wykonywanie kopii metodą kserograficzną, fotograficzną, a także kopiowanie książki na nośniku filmowym, magnetycznym lub innym powoduje naruszenie praw autorskich niniejszej publikacji. Wszystkie znaki występujące w tekście są zastrzeżonymi znakami firmowymi bądź towarowymi ich właścicieli. Autor oraz Wydawnictwo HELION dołożyli wszelkich starań, by zawarte w tej książce informacje były kompletne i rzetelne. Nie biorą jednak żadnej odpowiedzialności ani za ich wykorzystanie, ani za związane z tym ewentualne naruszenie praw patentowych lub autorskich. Autor oraz Wydawnictwo HELION nie ponoszą również żadnej odpowiedzialności za ewentualne szkody wynikłe z wykorzystania informacji zawartych w książce. Wydawnictwo HELION ul. Kościuszki 1c, 44-100 GLIWICE tel. 32 231 22 19, 32 230 98 63 e-mail: helion@helion.pl WWW: http://helion.pl (księgarnia internetowa, katalog książek) Drogi Czytelniku! Jeżeli chcesz ocenić tę książkę, zajrzyj pod adres http://helion.pl/user/opinie/naczal Możesz tam wpisać swoje uwagi, spostrzeżenia, recenzję. Printed in Poland. • Kup książkę • Poleć książkę • Oceń książkę • Księgarnia internetowa • Lubię to! » Nasza społeczność Spis treści Prolog ....................................................................................................... 11 Rozdział 1 Rozdział 2 Rozdział 3 Rozdział 4 Rozdział 5 Rozdział 6 Rozdział 7 Rozdział 8 Rozdział 9 Rozdział 10 Rewolucja uczących się maszyn ........................................................... 21 Naczelny algorytm ................................................................................. 41 Problem indukcji Hume’a ..................................................................... 73 Jak uczy się mózg? ................................................................................107 Ewolucja — uczący algorytm natury .................................................131 W kościele wielebnego Bayesa ............................................................153 Jesteś tym, co przypominasz ...............................................................185 Uczenie się bez nauczyciela ................................................................209 Kawałki układanki wskakują na miejsce ...........................................237 Świat po uczeniu maszynowym .........................................................261 Epilog......................................................................................................287 Podziękowania ......................................................................................291 Lektury dodatkowe ..............................................................................293 O autorze................................................................................................309 Poleć książkęKup książkę 10 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT Poleć książkęKup książkę Prolog Może nie zdajesz sobie z tego sprawy, ale przykłady uczenia maszynowego można znaleźć niemal wszędzie. Kiedy wpisujesz jakieś zapytanie w oknie wyszukiwarki, to właśnie uczenie maszynowe pozwala jej ustalić, jakie wyniki Ci pokazać (i jakie re- klamy). Kiedy sprawdzasz maile, nie widzisz większości spamu, jaki trafia do Twojej skrzynki — bo dzięki uczeniu maszynowemu został odfiltrowany. Kiedy odwiedzasz Amazon, żeby kupić książkę, czy Netflix, żeby obejrzeć film, to pomocny system oparty na uczeniu maszynowym podpowiada inne rzeczy, które mogłyby Ci się spodobać. Facebook wykorzystuje uczenie maszynowe do wybierania, które posty Ci pokazać, a Twitter robi to samo z tweetami. Za każdym razem, kiedy używasz komputera, uczenie maszynowe w jakiś sposób bierze w tym udział. Tradycyjnym sposobem na to, żeby komputer zrobił cokolwiek — od dodania dwóch liczb po sterowanie samolotem — było do niedawna pisanie algorytmu, który w nieprawdopodobnie szczegółowy sposób objaśniał, jak to zrobić. Ale algorytmy uczenia maszynowego, nazywane również algorytmami uczącymi, są inne: same uczą się, jak coś robić, wyciągając wnioski z dostępnych danych. A im więcej danych mają do dyspozycji, tym lepiej sobie radzą. Nie programujemy już komputerów — kom- putery programują się same. Dzieje się tak nie tylko w cyberprzestrzeni: cały Twój dzień, od przebudzenia do zaśnięcia, obfituje w przykłady uczenia maszynowego. Twój budzik włącza radio o 7.00 rano. Puszcza piosenkę, której nie znasz, ale któ- ra bardzo Ci się podoba. Dzięki Pandorze uczy się Twoich gustów muzycznych, jak Twój osobisty DJ. Ba, uczenie maszynowe mogło nawet mieć udział przy tworzeniu tej piosenki. Jesz śniadanie i czytasz gazetę. Gazeta została wydrukowana kilka godzin temu, a za pomocą algorytmu uczącego cały proces został starannie wyregulowany, Poleć książkęKup książkę 12 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT żeby uniknąć rozmazywania druku. Temperatura w Twoim domu jest dokładnie ta- ka, jak lubisz, a wydatki za ogrzewanie znacznie spadły, odkąd masz nowy, uczący się termostat Nest. Kiedy jedziesz do pracy, Twój samochód na bieżąco dostosowuje wtrysk paliwa i recyrkulację spalin, żeby uzyskać najwydajniejsze spalanie. Inrix, system przewidywania ruchu na drodze, umożliwia skrócenie czasu dojazdu w godzinach szczytu (a przede wszystkim pomaga Ci uniknąć stresu). W pracy uczenie maszynowe wspiera Cię w walce z przeładowaniem informacjami. Korzystasz z kostki danych, żeby podsumować ogromne ilości danych, spojrzeć na nie z każdej strony i skupić się na najważniejszych częściach. Musisz zdecydować: czy układ A, czy B spowoduje większy ruch na Twojej stronie? Sieciowy system uczący się wypróbuje oba układy i przedstawi wyniki. Mu- sisz przejrzeć stronę potencjalnego dostawcy, ale jest napisana w obcym języku? Nie ma sprawy: Google automatycznie ją dla Ciebie przetłumaczy. Twoje maile są wygod- nie sortowane w foldery, tak że w skrzynce odbiorczej masz tylko najważniejsze z nich. Twój edytor tekstu sprawdza za Ciebie gramatykę i ortografię. Udaje Ci się znaleźć bilet na zaplanowany lot, ale nie kupujesz go od razu, bo Bing Travel przewiduje, że niedługo cena biletu spadnie. Być może nieświadomie, ale każdego dnia udaje Ci się zrobić więcej dzięki temu, że wspomaga Cię uczenie maszynowe. Podczas przerwy w pracy sprawdzasz stan swoich funduszy inwestycyjnych. Więk- szość z nich korzysta z uczących się algorytmów przy wybieraniu akcji, a jeden z nich jest w całości zarządzany przez uczący się system. W przerwie na lunch idziesz ulicą ze swoim smartfonem i szukasz miejsca na obiad. Uczący się system Yelp pomaga Ci je znaleźć. W Twoim telefonie jest masa uczących się algorytmów. Cały czas ciężko pracują, na przykład poprawiając literówki, reagując na komendy głosowe, zmniejszając liczbę błędów w transmisji czy rozpoznając kody kreskowe. Twój telefon potrafi nawet przewi- dywać, co będziesz robić w najbliższej przyszłości, i podawać Ci stosowne informacje. Na przykład kiedy kończysz lunch, dyskretnie przypomina Ci, że Twoje popołudniowe spotkanie zacznie się później, bo samolot Twojego gościa miał opóźnienie. Zanim kończysz pracę, robi się ciemno. Uczenie maszynowe dba o Twoje bez- pieczeństwo, kiedy wracasz do samochodu, bo monitoruje obraz z kamery przemysłowej na parkingu i informuje ochronę o wykryciu czegoś podejrzanego. Po drodze do domu zatrzymujesz się w supermarkecie, gdzie chodzisz alejkami, które ułożono z pomocą uczących się algorytmów: to one decydowały, w jakie towary zaopatrzyć sklep, ja- kie z nich ulokować na końcach alejek i czy salsa powinna stać w dziale sosów, czy obok chipsów o smaku tortilli. Płacisz kartą kredytową. Ofertę na wyrobienie tej karty przesłał Ci uczący się algorytm — i taki sam algorytm zatwierdził wniosek o jej wydanie. Poleć książkęKup książkę PROLOG 13 Inny algorytm nieustannie szuka podejrzanych transakcji i poinformuje Cię, jeżeli uzna, że Twój numer karty został skradziony. Jeszcze inny stara się ocenić stopień Twojego za- dowolenia z karty. Jeżeli jest ono za niskie, a przy tym jesteś wartościowym klientem, może zaproponować Ci atrakcyjniejszą ofertę, zanim przejdziesz do konkurencji. Wracasz do domu i podchodzisz do skrzynki na listy. Znajdujesz tam list od przyja- ciela, dostarczony dzięki uczącemu się algorytmowi potrafiącemu odczytywać ręcznie zapisane adresy. Do tego dochodzą zwyczajowe ulotki i reklamy, wybrane dla Ciebie przez inne algorytmy uczące (cóż, niestety). Zatrzymujesz się na chwilę, żeby odetchnąć chłodnym wieczornym powietrzem. Przestępczość w mieście wyraźnie spadła, odkąd policja zaczęła korzystać z uczenia statystycznego, żeby przewidywać, gdzie występuje największe prawdopodobieństwo popełnienia przestępstwa, i wysyłać tam patrole. Jesz z rodziną kolację. W wiadomościach jest mowa o prezydencie miasta. Dostał Twój głos po tym, jak zadzwonił do Ciebie osobiście w dzień wyborów, bo uczący się algorytm wskazał Ciebie jako kluczowego niezdecydowanego wyborcę. Po kolacji oglądasz mecz. Obie drużyny wybrały zawodników do składu, korzystając z uczenia sta- tystycznego. A może zamiast tego grasz na xboksie z dziećmi, a uczący się algorytm Ki- necta rozpoznaje, gdzie jesteście i co robicie. Przed snem zażywasz leki, które zostały za- projektowane i przebadane z pomocą kolejnych uczących się algorytmów. Być może Twój lekarz też korzystał z uczenia maszynowego podczas stawiania diagnozy, przy intepretowaniu zdjęć RTG lub przy identyfikowaniu nietypowych objawów. Uczenie maszynowe odgrywa pewną rolę w każdej dziedzinie życia. Jeżeli masz na koncie internetowe kursy do egzaminu wstępnego na uczelnię, to uczący się algo- rytm oceniał Twoje próbne wypracowania. A jeżeli zdarzyło Ci się niedawno starać o miejsce na studiach ekonomicznych i zdawać egzamin GMAT1, to Twój esej oceniał między innymi system uczący się. Być może Twoje podanie o pracę zostało wybrane z wirtualnego stosu CV przez uczący się algorytm, który wskazał potencjalnemu pra- codawcy: „To wartościowy kandydat, przyjrzyj się”. Swoją ostatnią podwyżkę też mo- żesz zawdzięczać uczącemu się algorytmowi. A może chcesz kupić dom? Zillow.com oceni, ile warta jest każda z nieruchomości, które bierzesz pod uwagę. Kiedy już się na jakąś zdecydujesz, to złożysz podanie o kredyt, a uczący się algorytm przeanalizuje Twój wniosek i zarekomenduje jego przyjęcie (lub odrzucenie). Co być może najważniejsze, jeżeli zdarzyło Ci się korzystać z sieciowego serwisu randkowego, to uczenie maszy- nowe być może pomogło Ci znaleźć miłość Twojego życia. 1 Test stosowany przez niektóre uczelnie jako element egzaminu wstępnego na studia MBA — przyp. tłum. Poleć książkęKup książkę 14 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT Nasze społeczeństwo stopniowo zmienia się wraz z każdym kolejnym algorytmem. Uczenie maszynowe odmienia technologię, naukę, biznes, politykę i wojnę. Satelity, sekwencery DNA czy akceleratory cząstek zgłębiają kolejne sekrety przyrody, a uczą- ce się algorytmy zamieniają potoki danych w nową wiedzę naukową. Firmy znają swoich klientów lepiej niż kiedykolwiek wcześniej. Wybory wygrywają kandydaci ma- jący najlepsze modele wyborców, jak w przypadku zwycięstwa Obamy nad Romneyem. Samoloty bezzałogowe latają samodzielnie nad lądem i wodą. Nikt nie zaprogramował Twoich gustów w systemie rekomendacji Amazonu; uczący się algorytm skompleto- wał je samodzielnie na podstawie uogólnień z Twoich wcześniejszych zakupów. Auto- nomiczny samochód Google sam nauczył się, jak trzymać się drogi; żaden programi- sta nie napisał algorytmu wskazującego, jak krok po kroku przejechać z punktu A do punktu B. Nikt nie wie, jak zaprogramować samochód tak, żeby jeździł — i nikt nie musi tego robić, bo samochód wyposażony w uczący się algorytm zdobywa te umiejętności, obserwując, co robi kierowca. Uczenie maszynowe to coś zupełnie nowego: technologia, która buduje sama sie- bie. Od czasu, gdy nasi dalecy przodkowie zaczęli ostrzyć kamienie, żeby służyły im za narzędzia, ludzie tworzyli artefakty, robiąc je ręcznie lub fabrycznie. Ale uczące się algo- rytmy są artefaktami, które projektują inne artefakty. „Komputery są bezużyteczne — powiedział Picasso — potrafią tylko dawać odpowiedzi”. Komputery nie mają być kre- atywne; mają robić to, co się im każe. Ale jeżeli każe się im być kreatywnymi, to wyni- kiem tego jest uczenie maszynowe. Uczący się algorytm jest jak mistrz rzemiosła: każdy jego wytwór jest inny i doskonale dopasowany do potrzeb klienta. Zamiast jednak zmie- niać kamień w mur lub złoto w biżuterię, uczące algorytmy zmieniają dane w inne algorytmy. Im więcej mają danych do dyspozycji, tym bardziej złożone mogą być te nowe algorytmy. Homo sapiens to gatunek, który zamiast dostosowywać się do świata, dostosowuje świat do siebie. Uczenie maszynowe to najnowszy rozdział tej ciągnącej się od milionów lat sagi; dzięki niemu świat poznaje nasze życzenia i zmienia się stosownie do nich — a my nie musimy nawet kiwnąć palcem. Twoje otoczenie — dziś wirtualne, jutro materialne — zmienia się samo, jak jakiś baśniowy las, tylko dzięki temu, że się w nim znajdujesz. Wąska ścieżka, którą idziesz między drzewami, sama zamienia się w drogę. W miejscach, gdzie się gubisz, pojawiają się drogowskazy. Te technologie, zdawałoby się — magiczne, działają dzięki temu, że istotą uczenia maszynowego jest przewidywanie: przewidywanie, czego chcemy, przewidywanie efek- tów naszych działań, sposobu osiągnięcia naszych celów czy tego, jak zmieni się świat. Dawniej polegaliśmy na szamanach i wróżbitach, ale okazali się zbyt zawodni. Prognozy Poleć książkęKup książkę PROLOG 15 nauki są bardziej wiarygodne, ale są też ograniczone do tego, co możemy systematycznie obserwować i łatwo modelować. Big data i uczenie maszynowe znacznie poszerzają tę dziedzinę. Umysł „nieuzbrojony” może bez problemu przewidzieć niektóre codzienne sprawy, od toru lotu piłki po to, jak rozwinie się rozmowa. Pewne rzeczy pozostaną jednak nieprzewidywalne mimo naszych starań. Uczenie maszynowe potrafi poradzić sobie z całym spektrum znajdującym się między tymi ekstremami. Paradoksem jest to, że uczące się algorytmy, które otwierają coraz nowsze per- spektywy na przyrodę i ludzkie zachowanie, same pozostają okryte tajemnicą. Właściwie codziennie w mediach pojawiają się historie związane z uczeniem maszynowym; czy to wprowadzenie przez Apple osobistej asystentki Siri, czy pokonanie mistrza Jeopardy! przez komputer IBM Watson, czy sytuacja, kiedy informacja o ciąży pewnej nastolatki dotarła wcześniej do pracowników sieci sklepów Target niż do jej własnych rodziców, czy wreszcie, sposoby łączenia różnych informacji przez amerykańską NSA. Jednak w każdym z tych przypadków uczący się algorytm, który stoi za daną sytuacją, jest dla nas nieprzenikniony. Nawet książki zajmujące się tematem big data często pomijają to, co dzieje się, kiedy komputer połknie terabajty danych i w magiczny sposób wyrzuci nowe rozwiązania. W najlepszym razie wydaje się nam, że uczące się algorytmy po pro- stu wynajdują korelacje między dwoma zdarzeniami, na przykład między wyszukaniem hasła „leki na grypę” a zachorowaniem. Ale znajdywanie powiązań ma się do uczenia maszynowego tak, jak cegły mają się do domów; przecież to nie w cegłach mieszkamy. Kiedy mamy do czynienia z nową technologią, która jest równie wszechobecna i wpływowa co uczenie maszynowe, rozważnie jest wyjąć ją z tej metaforycznej czarnej skrzynki. Brak zrozumienia prowadzi do błędów i nadużyć. Żaden człowiek nie ma większego wpływu niż algorytm Amazonu na to, jakie książki czyta się obecnie na świecie. Algorytmy NSA decydują, kto zostanie uznany za potencjalnego terrorystę. Modele klimatu decydują, jakie są bezpieczne poziomy dwutlenku węgla w atmosferze. Modele wybierające akcje na giełdzie oddziałują na gospodarkę w większym stopniu niż większość z nas. Nie możemy kontrolować tego, czego nie rozumiemy, i właśnie dlatego musisz zrozumieć uczenie maszynowe — jako obywatel, jako osoba pracująca i jako istota ludzka dążąca do szczęścia. Pierwszym celem tej książki jest odsłonięcie sekretów uczenia maszynowego. Co prawda tylko inżynierowie i mechanicy muszą rozumieć, jak działa silnik samochodu, ale każdy kierowca powinien wiedzieć, że przekręcenie kierownicy zmienia kierunek jazdy, a naciśnięcie hamulca zatrzymuje pojazd. Bardzo niewiele osób wie obecnie, jakie są analogiczne elementy algorytmu uczącego, a jeszcze mniej osób umie z nich korzystać. Termin model koncepcyjny wprowadzony przez psychologa Dona Normana Poleć książkęKup książkę 16 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT odnosi się do stopnia ogólnikowej znajomości technologii, jaką musimy się wykazać, że- by móc skutecznie posługiwać się tą technologią. Ta książka pokaże Ci model kon- cepcyjny uczenia maszynowego. Nie wszystkie algorytmy uczące się działają w ten sam sposób, a różnice między nimi mają swoje konsekwencje. Przyjrzyjmy się na przykład algorytmom rekomendacji stosowanym przez Amazon i Netflix. Gdyby prowadziły Cię przez tradycyjną księ- garnię, próbując ustalić, co jest „w sam raz dla Ciebie”, Amazon raczej prowadziłby Cię do półek odwiedzanych przez Ciebie wcześniej, a Netflix — do nieznanych i po- zornie dziwnych działów sklepu, do rzeczy, które później szalenie by Ci się spodobały. W tej książce zobaczymy różne rodzaje algorytmów używanych przez firmy takie jak Amazon i Netflix. Algorytm Netfliksa rozumie Twoje gusta lepiej (chociaż nadal to bardzo ograniczone rozumienie) niż algorytm Amazonu, ale co ciekawe, nie oznacza to, że Amazon zyskałby, gdyby zaczął używać algorytmu Netfliksa. Model biznesowy Net- fliksa opiera się na budowaniu popytu na długi ogon nieznanych filmów i seriali, które kosztują niewiele, i jednoczesnym odwracaniu zainteresowania od hitów, któ- rych kosztów nie pokrywa wysokość subskrypcji. Amazon nie ma tego problemu — co prawda ma możliwość budowania zysku ze sprzedaży produktów z długiego ogona, ale równie dobrze może sprzedawać Ci droższe, popularne towary, co przy okazji uprasz- cza kwestie logistyczne. Z kolei my, jako klienci, chętniej zaryzykujemy nietypowy na- bytek, jeżeli korzystamy z subskrypcji, niż gdybyśmy mieli zapłacić za niego osobno. Co roku wynajdywane są setki nowych uczących się algorytmów, ale wszystkie opie- rają się na tych samych podstawowych ideach. Ta książka jest właśnie o tych podsta- wach, które wystarczy poznać, żeby zrozumieć, jak uczenie maszynowe zmienia świat. Te sprawy bynajmniej nie są ezoteryczne i, nawet pomijając zastosowanie ich w kontek- ście komputerów, zawierają odpowiedzi na pytania istotne dla nas wszystkich: Jak się uczymy? Czy można to robić lepiej? Co możemy przewidzieć? Czy możemy wierzyć w to, czego się nauczyliśmy? Na polu uczenia maszynowego mamy do czynienia z ry- walizującymi ze sobą kierunkami, z których każdy oferuje różne odpowiedzi na te pyta- nia. Każdej z pięciu głównych szkół poświęcimy tutaj po jednym rozdziale. Symboli- ści uznają uczenie się za przeciwieństwo dedukcji i zapożyczają koncepcje z filozofii, psychologii i logiki. Koneksjoniści odtwarzają mózg, a ich inspiracjami są neurologia i fizyka. Ewolucjoniści symulują ewolucję w komputerach i posiłkują się genetyką oraz biologią ewolucyjną. Zwolennicy uczenia bayesowskiego uważają, że uczenie się jest formą wnioskowania statystycznego, a ich poglądy mają podłoże w statystyce. Analo- giści uczą się przez ekstrapolację z oceny podobieństwa, a znaczenie mają dla nich psychologia i optymalizacja matematyczna. Przyjmując perspektywę dążenia do bu- Poleć książkęKup książkę PROLOG 17 dowy uczących się maszyn, zapoznamy się ze znaczną częścią intelektualnej historii ostatniego stulecia i zobaczymy ją w zupełnie nowym świetle. Każdy z tych pięciu szczepów zamieszkujących krainę uczenia maszynowego ma swój własny „algorytm naczelny”, czyli algorytm uczący się o szerokim zastosowaniu, którego w teorii można użyć do uzyskania informacji na podstawie danych należących do dowolnej dziedziny. Naczelnym algorytmem symbolistów jest odwrotna dedukcja, koneksjonistów — propagacja wsteczna, ewolucjonistów — programowanie genetycz- ne, zwolenników Bayesa — wnioskowanie bayesowskie, a analogistów — maszyna wek- torów nośnych. W praktyce jednak każdy z tych algorytmów nadaje się do pewnych za- dań, a nie sprawdza się w innych. Tym, o co nam naprawdę chodzi, jest jeden algorytm łączący w sobie ich kluczowe cechy: doskonały algorytm naczelny. Dla niektórych ta wizja to nieosiągalne marzenie, ale dla wielu z nas zajmujących się uczeniem maszy- nowym to coś, co powoduje błysk w oku i motywuje do pracy po nocach. Jeżeli naczelny algorytm istnieje, to może pozyskać całą wiedzę świata — przeszłą, obecną i przyszłą — wyłącznie z danych. Wynalezienie go byłoby jednym z najwięk- szych osiągnięć w historii nauki. Przyspieszyłoby postęp cywilizacyjny pod każdym względem i zmieniłoby świat w sposób, jaki możemy sobie wyobrazić tylko w przybli- żeniu. Naczelny algorytm jest dla uczenia maszynowego tym, czym model standardowy jest dla fizyki cząstek elementarnych lub dogmat centralny dla biologii molekularnej: ujednoliconą teorią, która porządkuje wszystko, co poznaliśmy do tej pory, a zarazem stanowi fundamenty dziesięcioleci czy wręcz stuleci dalszego rozwoju. Naczelny algo- rytm to droga do rozwiązania najtrudniejszych problemów, z jakimi się mierzymy, od budowania robotów domowych po lek na raka. Weźmy raka. Wyleczenie go jest trudne, bo rak nie jest jedną chorobą, a całym ich zbiorem. Guzy mogą mieć przeróżne przyczyny, a dodatkowo mutują w przerzutach. Najpewniejszym sposobem na wyeliminowanie guza jest sekwencjonowanie jego geno- mu, sprawdzenie, które leki na niego zadziałają — bez szkody dla pacjenta, z uwzględ- nieniem jego genomu i historii medycznej — a może nawet zaprojektowanie nowego le- ku specjalnie dla tego przypadku. Żaden lekarz nie jest w stanie opanować koniecznej do tego wiedzy. Natomiast idealnie się do tego nadaje uczenie maszynowe: zasadniczo to tylko bardziej złożona i trudniejsza wersja takiego wyszukiwania, jakie Amazon i Netflix wykonują codziennie, z tym że tutaj szuka się odpowiedniej terapii zamiast odpowied- niej książki czy filmu. Niestety, chociaż dzisiejsze algorytmy uczące się potrafią diagno- zować wiele chorób z nadludzką dokładnością, to wyleczenie raka przekracza ich możli- wości. Jeżeli uda się nam odnaleźć naczelny algorytm, nie będzie to już ponad ich siły. Poleć książkęKup książkę 18 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT Drugim celem tej książki jest zatem umożliwienie Ci wynalezienia naczelnego algo- rytmu. Wydawałoby się, że do tego potrzeba zaawansowanej matematyki i poważnych podstaw teoretycznych, ale jest wręcz przeciwnie. Odejście od arkanów matematyki pozwoli dostrzec nadrzędny schemat zjawiska uczenia się; a pod pewnymi względami laik, stojący dalej od lasu, jest w tym kontekście w lepszej pozycji niż specjalista, który jest już głęboko pochłonięty badaniem poszczególnych drzew. Mając do dyspozycji rozwiązanie koncepcyjne, będziemy mogli uzupełnić szczegóły matematyczne — ale to nie jest ani zadanie tej książki, ani najważniejsza część procesu. Odwiedzimy więc każdy z pięciu szczepów i zgromadzimy posiadane przez nie fragmenty układanki, aby zrozumieć, jak do siebie pasują, pamiętając przy tym, że żaden ze ślepców nie widzi całego słonia. Skupimy się zwłaszcza na tym, jak każdy z tych szczepów może się przy- czynić do leczenia raka, i na tym, czego mu w tym kontekście brakuje. Następnie, krok po kroku, ułożymy te fragmenty w kompletne rozwiązanie — a w każdym razie w pewne rozwiązanie, które nie jest jeszcze naczelnym algorytmem, ale jest tak do niego zbliżo- ne, jak to obecnie możliwe, i ma szansę być dobrym punktem wyjścia dla Twojej in- wencji. Zobaczymy też, jak można korzystać z tego algorytmu w walce z rakiem. Czytając tę książkę, możesz pobieżnie przeglądać — albo przeskakiwać — fragmenty, które będą dla Ciebie trudne; znaczenie ma całościowy obraz. Prawdopodobnie więcej wy- niesiesz z tych fragmentów, wracając do nich już po złożeniu całej układanki. Zajmuję się badaniem uczenia maszynowego od ponad dwudziestu lat. Zaintere- sowałem się nim dzięki książce o dziwnym tytule, którą zobaczyłem w księgarni na ostatnim roku studiów: Artificial Intelligence (Sztuczna inteligencja). Znalazłem w niej rozdział o uczeniu maszynowym; był krótki, ale po przeczytaniu go natychmiast uzna- łem, że uczenie się to klucz do rozwiązania problemu sztucznej inteligencji (SI) i że ówczesny stan wiedzy był tak nikły, iż może mógłbym coś do niego wnieść. Zrezygno- wałem z planowanego kursu MBA i zapisałem się na program doktorski na Uniwersyte- cie Kalifornijskim w Irvine. Uczenie maszynowe było wtedy wąską i nieznaną dziedziną, a w Irvine istniała jedna z niewielu rozwiniętych grup badawczych. Niektórzy z moich kolegów z roku zrezygnowali ze studiów, bo ten kierunek wydawał się im mało przy- szłościowy, ale ja zostałem. Według mnie nic nie mogło mieć większego wpływu na świat niż nauczenie komputerów uczenia się: jeżeli udałoby się nam to zrobić, to mie- libyśmy większe szanse rozwiązać wszystkie inne problemy. Zanim skończyłem te studia, pięć lat później, boom eksploracji danych (ang. data mining) już trwał — i tak zaczęła się moja droga do napisania tej książki. Moja praca doktorska łączyła uczenie się symboliczne i analogiczne. W ciągu ostatnich dziesięciu lat wiele czasu poświęciłem na połączenie symbolizmu i teorii bayesowskiej, a ostatnio — obu tych szkół z koneksjoni- zmem. Czas na kolejny krok: próbę syntezy wszystkich pięciu paradygmatów. Poleć książkęKup książkę PROLOG 19 Pisząc tę książkę, myślałem o różnych, choć zazębiających się, grupach odbiorców. Jeżeli zastanawiasz się, skąd wziął się ten szum wokół big data oraz uczenia ma- szynowego, i podejrzewasz, że na rzeczy jest coś głębszego, niż wynikałoby z gazet, to masz rację! Ta książka posłuży Ci jako przewodnik po nadchodzącej rewolucji uczenia maszynowego. Jeżeli interesujesz się przede wszystkim biznesową stroną uczenia maszynowego, ta książka pomoże Ci na co najmniej sześć sposobów: staniesz się mądrzejszym odbior- cą analiz i statystyk; lepiej wykorzystasz umiejętności ekspertów od obróbki danych; unikniesz pułapek, które są zgubą wielu projektów eksploracji danych; odkryjesz, co można zautomatyzować, nie ponosząc kosztów pisanego ręcznie oprogramowania; zwiększysz elastyczność swoich systemów IT; wreszcie, będziesz przewidywać niektó- re z nadchodzących nowych technologii. Widziałem, jak marnuje się zbyt wiele czasu i pieniędzy na próby rozwiązania problemów za pomocą niewłaściwego uczącego się al- gorytmu albo na błędne interpretacje wniosków takiego algorytmu. Żeby tego uniknąć, wystarczy niewiele. Właściwie wystarczy przeczytać tę książkę. Jeżeli jesteś obywatelem albo ustawodawcą interesującym się kwestiami społecznymi i politycznymi związanymi z big data i uczeniem maszynowym, ta książka będzie Twoim elementarzem technologicznym: wyjaśni, czym te technologie są, dokąd nas prowadzą, co umożliwiają, a czego nie — i nie zanudzi fachowymi szczegółami. Przyjrzymy się, jakie są rzeczywiste problemy, od prywatności po przyszłość pracy i etykę wojen ro- botów, i jak o nich myśleć. Jeżeli jesteś naukowcem lub inżynierem, uczenie maszynowe to nieoceniony arsenał, który wkrótce będzie nieodzowny. Stare, sprawdzone narzędzia statystyczne nie wy- starczą na długo w epoce wielkich (czy nawet średnich) zbiorów danych. Tylko nie- linearne zdolności uczenia maszynowego pozwolą nam dokładnie modelować więk- szość zdarzeń, co niesie ze sobą nowy naukowy obraz świata. Wyrażenie zmiana paradygmatu jest dzisiaj nadużywane, ale moim zdaniem nie będzie przesadą powie- dzieć, że ta książka właśnie taką zmianę opisuje. Jeżeli jesteś ekspertem w dziedzinie uczenia maszynowego, to już teraz wiesz wiele z tego, co opisuje ta książka, ale nadal znajdziesz w niej sporo nowych pomysłów, cie- kawostek historycznych i przydatnych przykładów oraz analogii. A przede wszystkim mam nadzieję, że ta książka pomoże Ci spojrzeć na uczenie maszynowe z nowej per- spektywy, a może nawet naprowadzi Cię na nowe tory myślenia. Wszędzie wokół nas są cele, które łatwo osiągnąć, i nie powinniśmy ich ignorować, ale nie powinniśmy też tracić z oczu większych korzyści, które czekają na nas trochę dalej. (À propos, mam na- dzieję, że wybaczysz mi pewną dowolność — licencia poetica — w stosowaniu terminu algorytm naczelny na użytek nieekspertów). Poleć książkęKup książkę 20 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT Jeżeli jesteś studentem lub uczniem w dowolnym wieku — licealistą stojącym przed wyborem kierunku studiów, studentem rozważającym karierę badawczą czy doświad- czonym zawodowcem zastanawiającym się nad zmianą kariery — mam nadzieję, że ta książka rozbudzi w Tobie zainteresowanie tą fascynującą dziedziną. Na świecie bardzo brakuje specjalistów od uczenia maszynowego, więc jeżeli zdecydujesz się do nas dołączyć, czekają Cię nie tylko ciekawe czasy i korzyści materialne, ale i wyjątkowa szansa przysłużenia się społeczeństwu. A jeżeli już teraz zajmujesz się uczeniem maszy- nowym, to liczę, że moja książka pomoże Ci jeszcze lepiej poruszać się po tym temacie; jeżeli Twoja podróż doprowadzi Cię dzięki temu do naczelnego algorytmu, to samo to sprawi, że warto było tę książkę napisać. I wreszcie, jeżeli gustujesz w rozwijaniu swoich horyzontów intelektualnych, to uczenie maszynowe jest istną ucztą — zapraszam! Poleć książkęKup książkę Skorowidz A Ackley David, 116 Adam, 98 AdSense, 169 agent, 52, 53 agregowanie, 240 alarm antywłamaniowy, 166 algorytm, 21, 23, 103 Alchemy, 250, 251, 252, 253, 254, 255 centroidów, Patrz: algorytm k-średnich chunking, 227, 229, 230 dziel i rządź, 84, 92, 100 EM, 215 genetyczny, 133, 134, 137, 138, 139, 140, 241, 242, 250, 252 nieśmiertelność, 135 interakcje, 25 k najbliższych sąsiadów, 191 ważony, 191, 192, 197 k-średnich, 213, 215 leniwy, 188 metauczenie, 239, 255 naczelny, 17, 43, 51, 52, 57, 78, 147, 158, 227, 238, 250, 261 jeż, 58 lis, 58 puszka Pandory, 61 równanie, 66 zakres obowiązywania, 63 najbliższego sąsiada, Patrz: algorytm NN nearest-neighbor, Patrz: algorytm NN nieliniowej redukcji wymiarowości, Patrz: Isomap NN, 41, 186, 187, 188, 204 klasyfikator, 190 wydajność, 192 wymiarowość, 193, 194, 196 oczekiwania-maksymalizacji, Patrz: algorytm EM odwzorowania struktury, 206 perceptronowy, Patrz: perceptron Rosenblatta, 112 projektowanie, 24 rekomendujący, 62 RISE, 207, 208 statystyczny, 28, 65 sterowania, 195 uczący się, 11, 15, 16, 25, 37, 39, 42, 52, 241 gratyfikacja, 223, 224, 225 liczba hipotez, 89 reprezentacja, 241 silny, 86 tendencyjność, Patrz: tendencyjność testowanie na nieznanych danych, 90 wariancja, Patrz: wariancja wzmacnianie, Patrz: wzmacnianie założenie, Patrz: założenie zbiór reguł, 83, 84, 85, 89 uczenia relacyjnego, 232, 234, 235 wspinaczkowy, 144, 145, 196, 250, 252 Poleć książkęKup książkę 310 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT AlphaDog, 39 Amazon, 16 system rekomendacji, 59 analityka danych, 27 analiza głównych składowych, Patrz: PCA statystyczna, 56 Valianta, 89 analogizm, 16, 17, 67, 68, 69, 181, 186, 187, 203, 205, 207, 241, 242, 253, Patrz też: podobieństwo aparat bazy danych, Patrz: baza danych aparat Arystoteles, 74, 79, 87, 186 ASIC, 64 atrybut, 100 dyskretny, 101 entropia, Patrz: entropia porządkowy, 101 autoenkoder, 127, 128 automat ewoluujący, 133 komórkowy, 65 von Neumanna, 133 B Babbage Charles, 46 bagging, Patrz: metauczenie bagging Baldwin J.M., 148 Baldwina efekt, 148 bańka filtrów, 267 Barto Andy, 225 Bayes Thomas, 154 Bayesa klasyfikator, Patrz: klasyfikator bayesowski twierdzenie, Patrz: twierdzenie Bayesa uczenie, Patrz: uczenie bayesowskie bayesianizm, 154, 175, 177, 181, 241, 242, 253 baza danych, 28, 238 aparat, 65 behawioryzm, 54 Bellman Richard, 195, 225 Berkeley, 74 Berlin Isaiah, 58 big data, 26, 33, 40, 48, 258 bit, 21 bitwa o Anglię, 38 Boks George, 160 Boltzmanna maszyna, Patrz: maszyna Boltzmanna rozkład, Patrz: rozkład Boltzmanna Boole George, 117 boosting, Patrz: wzmacnianie Borges Jorge Luis, 86 Brahe Tycho, 56, 141 BRAIN, 129 bramka logiczna, 22, 65, 110 NOR, 65 XOR, 114, 124 Breimana Leo, 240 Brin Sergey, 271 Bryson Arthur, 125 brzytwa Ockhama, 92 Buntine Wray, 94 Burks Arthur, 133 Burns Bob, 212, 263 C Carbonell Jaime, 84 case-based reasoning, Patrz: wnioskowanie na podstawie przypadków CBR, 204, Patrz: wnioskowanie na podstawie przypadków Chomsky Noam, 53, 54, 55 chromosom, 134 Clinton Bill, 36 Commoner Barry, 167 Cope David, 205 Cover Tom, 193 Crick Francis, 132 cyberbezpieczeństwo, 37 cyberwojna, 37 Cyc, 52 D dane, 56 baza, Patrz: baza danych eksploracja, 87, Patrz: data mining główna składowa, 219 analiza, Patrz: PCA hosting, 273 istotne statystycznie, 91 nadmiernie dopasowane, 86, 87, 88, 90, 101, 123, 191, 202 Poleć książkęKup książkę regularności statystyczne, 56 udostępnianie, 265, 268, 269, 270, 271, 272 uogólnianie, 77 wejściowe, 25, 48 doprecyzowane, 42 wyjściowe, 25 wzorzec błędny, 236 DARPA, 54 DARPA Grand Challenge, 125 Darwin Charles, 46, 47, 74, 132 data mining, 18 dedukcja, 16, 51, 66, 94 odwrotna, 17, 69, 96, 97, 98, 99, 104, 108 DeepMind, 226 Dempster Arthur, 215 determinizm newtonowski, 154 Diderot Denis, 78 DNA, 46, 97 kodowanie, 134 mikromacierz ekspresji, 98, 99, 168 mutacja punktowa, 134 dobór hodowlany, 133 naturalny, 46, 47, 68, 132, 136 dron, 39, 278 drzewo decyzyjne, 41, 42, 99, 100, 101, 104, 189, 234, 239, 240, 241 atrybut, Patrz: atrybut wymiarowość, 195 programowe, 140, 141, 142, 253 Duhigg Charles, 227 E echolokacja, 44 Eddington Arthur, 90 efekt Baldwina, 148 sieciowy, 31 eigentwarz, 220 eigenvector, Patrz: wektor własny Einsteina teoria względności, 90 eksploracja danych, Patrz: data mining Eldredge Niles, 136 Eliza, 205 emocje, 222 empiryzm, 73, 74, 94, 107 entropia, 101 SKOROWIDZ 311 ewolucja, 46, 146, 148 baldwinowska, 148 modelowanie, 140 rola seksu, 143, 144 ślimacza, 137 wyskokowa, 136 ewolucjonizm, 16, 17, 67, 68, 144, 145, 146, 183, 241, 252 F Facebook, 11, 33, 233, 269 Feynman Richard, 23 filter bubble, Patrz: bańka filtrów filtr dolnoprzepustowy, 142 Kalmana, 164 filtrowanie kolaboratywne, 191, 192 Fisher Ronald, 132 Fix Evelyn, 186 fizyka, 47, 48 prawa, 47 statystyczna, 116 Fodor Jerry, 55 fraktal, 47 frekwentyzm, 158, 175, 176, 177, 178, 197 Freund Yoav, 240 Friedman Milton, 160 FuturICT, 258 G Galileusz, 87 genom, 45, 132, 146 sekwencjonowanie, 58, 97 Gentner Dedre, 206 geometria fraktalna, Patrz: fraktal Ghani Rayid, 35 Golgiego metoda, 107 Good I.J., 283 Google, 76, 231, 264, 271, 279 Google Brain, 129 Google Translate, 163 Gould Stephen Jay, 136 gra Tetris, 50 kółko i krzyżyk, 23 Pong, 226 Poleć książkęKup książkę 312 gra szachy, 229 tryktrak, 226 warcaby, 223 gramatyka, 53 probabilistyczna bezkontekstowa, 54 uniwersalna, 53 H Hart Peter, 193 Hawking Stephen, 280 Hawkins Jeff, 45, 129 Hebb Donald, 107 Hebba zasada, Patrz: zasada Hebba Heckerman David, 160, 168 Heraklit, 64 hidden Markov model, Patrz: HMM Hillis Danny, 144 Hinton Geoff, 116, 117, 124, 146, 148 hipoteza, 65, 154, 176 Czerwonej Królowej, 144 HMM, 164, 165, 167, 168, 215 zmienne ciągłe, 164 Ho Yu-Chi, 125 Hodges Joe, 186 Hofstadter Douglas, 206 Holland John, 132, 133, 138, 140 Hopfield John, 115, 128 Horning J.J., 54 Hubble Edwin, 33 Hume David, 74 Hume’a indukcja, Patrz: indukcja Hume’a Hunt Earl, 101 I indeksator, 28 indukcja, 66, 79, 94 drzew decyzyjnych, 99 Hume’a, 76, 104, 155 zasada, Patrz: zasada indukcji indyk-indukcjonista, 76 informatyka, 50 instance-based learning, Patrz: uczenie z przykładów inteligencja sztuczna, Patrz: sztuczna inteligencja intuicja, 56 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT inżynieria wiedzy, 52, 53, 54, 103 wsteczna, 45 mózgu, 67 Isomap, 221, 255 J Jackel Larry, 202 James William, 107, 186, 210 Jelinek Fred, 54 Jevons William Stanley, 94 Johnson Steven, 190 Jordan Michael, 172, 178 K kampania wyborcza, 35, 36 Kartezjusz, 74 Kepler, 141 Kepler Johannes, 57 Keplera prawo, Patrz: prawo Keplera Kinect, 102, 239, 240 Kipling Rudyard, 83 klasa NP/P, 50 klaster, 211, 212, 215 prototyp, 212 zazębiający się, 215 klasyfikator bayesowski naiwny, 41, 42, 160, 161, 162, 167, 177, 179, 187, 202, 214, 232, 239 tekstu, 202 klątwa wymiarowości, 193, 195, Patrz też: redukcja wymiarowości kognitywizm, 206, 207, 210 Kolumba test, Patrz: test Kolumba komponowanie muzyki, 205 kompozycyjność, 130 koncepcja dysjunktywna, 83 koniunktywna, 81, 82, 84, 85, 86 przykład negatywny, 81, 85 przykład pozytywny, 81, 85, 113 koneksjonizm, 16, 17, 67, 99, 104, 107, 108, 117, 127, 130, 146, 183, 241, 252 renesans, 115 konektomika, 129, Patrz: koneksjonizm konsola xbox, 102 kora mózgowa, 44, 45 Poleć książkęKup książkę korelacja, 15, 231 Koza John, 140, 142, 143, 145 Krugman Paul, 235 krzywa Gaussa, 120, 195 logistyczna, Patrz: krzywa S-kształtna prawa potęgowego, 228, 230 sigmoidalna, Patrz: krzywa S-kształtna S-kształtna, 118, 119, 120, 123, 252, 284 krzyżowanie, 134, 135, 142, 143 Kurzweil Ray, 45, 283, 284 L Laird John, 230 Laird Nan, 215 Lang Kevin, 145 Laplace Pierre Simon, 154, 155 las losowy, 240 LeCun Yann, 125, 202 Leibniz, 74, 79 Lenat Doug, 52 Lewis Michael, 56 lingwistyka komputerowa, 54 Lipson Hod, 131 Locke, 74 logika, 22, 241 loopy belief propagation, Patrz: propagacja przekonań zapętlona Luftwaffe, 38 (cid:224) łańcuch DNA, Patrz: DNA Markowa, 162, 163, 167, 168 w metodzie Monte Carlo, Patrz: MCMC M Madrigal Alexis, 271 Mandelbrota zbiór, Patrz: zbiór Mandelbrota marketing bezpośredni, 39 szeptany, 235 Markow Andriej, 162 Markowa łańcuch, Patrz: łańcuch Markowa model ukryty, Patrz: HMM sieć, Patrz: sieć Markowa SKOROWIDZ 313 Marr David, 103 maszyna Boltzmanna, 116, 117, 129 reprodukcja samodzielna, 133 Turinga, 51, 64, 109 wektorów nośnych, 17, 68, 92, 186, 197, 200, 201, 202, 203, 204, 239, 241 jądro, 199, 203 optymalizacja z ograniczeniami, 200, 201 matematyka, 47, 48 McCulloch Warren, 110 McKay David, 178 MCMC, 172, 173, 178, 234, 242, 253, 256 Mechanical Turk, 33 memoryzacja, 64, 77 metauczenie, 239, 240, 255 agregowanie, Patrz: agregowanie bagging, 240 metoda, Patrz też: algorytm bayesowska, Patrz: uczenie bayesowskie, wnioskowanie bayesowskie Golgiego, 107 gradientu prostego, 121, 122, 123 Monte Carlo, 174 wykorzystująca łańcuchy Markowa, Patrz: MCMC Michalski Ryszard, 84, 103 mieszalność, 144 mikroprocesor, 64, 238 Mill John Stuart, 107 Minsky Marvin, 52, 55, 113, 115, 123 Mitchell Tom, 79, 84, 103 mixability, Patrz: mieszalność MLN, 248, 249, 250, 253 model Bayesa, 154 idealny, 160 klastrów, 215 koncepcyjny, 15 matematyczny, 48 nieliniowy, 125 statystyczny, 27 świata, 258 ukryty Markowa, Patrz: HMM uproszczony, 160 modelowanie statystyczne, 27 Mooney Ray, 91 mózg, 43, 44, 46, 48 budowa, 109, 110 czysta kartka, 79 Poleć książkęKup książkę 314 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT mózg inżynieria odwrotna, 67 model, 108, 109, 110, 113, 115, 116, 129 stan przebudzenia, 116 uczenie się, 107, 109 móżdżek, 44 Muggleton Steve, 94 Music Genome Project, 179 muzyka, 205 N Nate Silver, 239 nauka etap Brahego, 56 Keplera, 56, 57 Newtona, 56, 57 fragmentacja, 62 Neal Radford, 178 Netflix, 16, 191, 220, 239, 264 Netflix Prize, 239 NETtalk, 124 neurologia, 43, 107 neuron, 44, 107, 109 babci, 112 deterministyczny, 116 McCullocha-Pittsa, 110 model, 110 połączenie, 108, 117, 121 postsynaptyczny, 109 potencjał czynnościowy, Patrz: potencjał czynnościowy presynaptyczny, 109 probabilistyczny, 116 sensoryczny, 116 ukryty, 116, 120 neuroprzekaźnik, 109 Newell Allen, 228, 229, 230 Newhouse Neil, 35 Newton Isaac, 57 Newtona prawo, Patrz: prawo Newtona Ng Andrew, 129 niepewność, 68 algorytm, 197 Norman Don, 15 Norvig Peter, 161 Nowlan Steven, 148 O O’Reilly Tim, 28 Obama Barack, 35 Ockham, 92 odchylenie standardowe, 195 dedukcja, 126, 242 operacja logiczna, 22 optymalizacja, 48 osobliwość, 283, 284 P Page Larry, 163, 231 PageRank, 163 Pandora, 179 Papadimitriou Christos, 144 Papert Seymour, 113, 115, 123 PCA, 219, 221 Pearl Judea, 165 pełzacz, 28 perceptron, 110, 113, 120, 161, 193, 234 działanie, 110, 111, 112 ograniczenia, 113 wielowarstwowy, 123, 127, 137, 201, 226, 239 czytanie na głos, 124 uczenie bayesowskie, 178 pismo ręczne rozpoznawanie, 41 Pitts Walter, 110 Platon, 74 podobieństwo miara, 203 pomysł zwodniczo prosty, 191 portret pamięciowy, 138 potencjał czynnościowy, 109 półprzewodnik, 108 prawa fizyki, 66 logiki, 66 prawdopodobieństwo, 158 a posteriori, 155, 156, 175, 176, 241, 250 a priori, 155, 156, 157 przyczyn, 157 skutków, 157 szacowanie, 159 w poezji, 162 warunkowe, 156 prawo efektu, 223 ekologii pierwsze, 167 Poleć książkęKup książkę Keplera, 80 Moore’a, 284 następstwa, 155 Newtona, 56, 80 drugie, 23, 62 potęgowe, 228, 229, 230 robotyki Asimova, 277 principal component analysis, Patrz: PCA problem cocktail party, 220 eksploracji-eksploatacji, 139, 225 indukcji Hume’a, Patrz: indukcja Hume’a nieograniczonego wyboru, 30 NP-zupełny, 50, 51, 115, 118, 280 procedura, 27 proces crossing-over, Patrz: krzyżowanie program, 24 programista, 24, 25 programowanie genetyczne, 17, 68, 141, 142, 143, 145 projekt Manhattan, 173 propagacja przekonań, 253, 256 zapętlona, 172 wsteczna, 17, 68, 69, 121, 123, 124, 126, 127, 137, 224 sygnał błędu, 226 prywatność, 272 przemiana fazowa, 119 przewidywanie, 14 przyczyna, 156 przyczynowość, 231 punkt osobliwy, 284 Turinga, 283 Q Quinlan J. Ross, 101, 103 R racjonalizm, 73, 74 RAF, 38 Ramón y Cajal Santiago, 107 random forest, Patrz: las losowy redukcja wymiarowości, 216, 222, 255 Isomap, Patrz: Isomap nieliniowa, 220 SKOROWIDZ 315 regresja liniowa, 33, 65, 125, 190, 219 Richardson Matt, 235, 247 Ridley Matt, 144 roboręka, 41 Romney Mitt, 35 Rosenberg Charles, 124 Rosenblatt Frank, 110 Rosenbloom Paul, 228, 229, 230 rozkład Boltzmanna, 116 normalny, Patrz: krzywa Gaussa rozpoznawanie cyfr pisanych odręcznie, 201 mowy, 274 obrazów, 180 pisma ręcznego, 41, 201 twarzy, 187, 190, 216, 220 rozumowanie analogiczne, Patrz: wnioskowanie analogiczne Rubin Donald, 215 Rumelhart David, 124, 125 Russell Bertrand, 76 S Sahami Mehran, 161 Samuel Arthur, 223 Schapire Rob, 240 schemat, 138 Schumpeter Joseph, 118 Sejnowski Terry, 116, 124 Seldon Hari, 235 serwis randkowy, 262 społecznościowy, Patrz: sieć społecznościowa Shannon Claude, 21 Shavlik Jude, 91 sieć bayesowska, 165, 167, 168, 170, 174, 182, 234, 241, 247, 253 diagnozowanie chorób zakaźnych, 169 drzewo, 171, 172 prawdopodobieństwo pełnego stanu, 167 rodzic, 166, 169 struktura, 177 w walce z AIDS, 168 wstępna, 177 wykres, 180 z pętlą, 171, 172 Poleć książkęKup książkę NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT 316 sieć Hopfielda, 128 Markowa, 179, 180, 233, 241, 247, 248, 253 logiczna, Patrz: MLN optymalizacja wag, 252 rozpoznawanie obrazów, 180 wykres, 180 neuronowa, 112, 115, 148, 226, 241 ewolucja struktury, 148 gra na giełdzie, 124, 125 splotowa, 129 Petriego, 65 semantyczna, 255 społecznościowa, 33, 35, 235 Silver Nate, 36 Simon Herbert, 57, 229, 230 Siri, 54, 164, 170, 180 SKICAT, 33 skutek, 156 Sloan Digital Sky Survey, 33 Smith Adam, 74 Soar, 230 spam, 77, 169, 177 teoria doboru naturalnego, Patrz: dobór naturalny ewolucji matematyczna, 132 gier, 38 informacji, 21, 101 naukowa, 62 prawdopodobieństwa, 155 strun, 62, 63 umysłu, 262 komputera, 262 wszystkiego, 62, 63 względności Einsteina, 90 test A/B, 231 istotności statystycznej, 91 Kolumba, 125 Tetris, 50 Thorndike Edward, 222 tłumaczenie maszynowe, 163 tranzystor, 21, 108 funkcja transferowa, 118 Turing Alan, 51, 52, 283 Turinga maszyna, Patrz: maszyna Turinga punkt, 283 twierdzenie Bayesa, 49, 68, 153, 156, 159, 253 Twitter, 11 U uczenie analogiczne, 18, 205 bayesowskie, 16, 17, 68, 126, 150, 154, 174, 182, 241, 242, 253 dzieci, 209, 210, 222, 227 grupowanie, 211 emocje, 222 głębokie, 117, 128, 129 leniwe, 188 maszynowe, 11, 15, 26, 27, 32, 33, 35, 39, 53, 66, 78, 121, 158, 160, 187, 195, 210, 237, 238, 261 algorytm, Patrz: algorytm uczący się cel, 56, 149 etyka, 277 grupowanie, 211, 212, 215, 216, 222, 229 oponent, 52, 53, 55, 57 redukcja wymiarowości, Patrz: redukcja wymiarowości filtrowanie, 11, 41, 134, 160 spin, 115 Spinoza, 74 stacking, Patrz: agregowanie statystyka, 16, 27, 49, 158 subiektywizm, 79 support vector machine, Patrz: maszyna wektorów nośnych Sutton Rich, 225, 227 SVM, Patrz: maszyna wektorów nośnych symbolizm, 16, 17, 67, 68, 74, 79, 91, 99, 102, 104, 107, 108, 144, 150, 181, 207, 241, 242 synapsa, 109, 129 system adaptacyjny, 27 nieliniowy, 126 rozpoznawania mowy, 164 samoorganizujący, 27 szkło spinowe, 115, 116 sztuczna inteligencja, 18, 27, 51, 52, 279, 280, 281, 282, 283, 284 T Taleb Nassim, 55, 167 technika predykcyjna, 36 tendencyjność, 93 Poleć książkęKup książkę testowanie na nieznanych danych, 90 walka na wojnie, 276, 278 MLN, Patrz: logicznej nadzorowane, 219, 225, 226 nienadzorowane, 219, 254 pozbawione subiektywizmu, 79 przez wzmacnianie, 223, 224, 225, 226, 231 relacyjne, 232, 234, 235, 236 równoległe, 108 sekwencyjne, 108 symboliczne, 18 z przykładów, 207 ufność, 165 układ scalony specjalizowany, Patrz: ASIC umiejętność, 27 umysł modularny, 55 Underwood Ben, 44 V Valiant Leslie, 89 Vapnik Vladimir, 197, 201, 202 Vinge Vernor, 283 von Neumann John, 87, 133 W Walmart, 84 wariancja, 93 Watkins Chris, 226, 227 Watson, 59, 239 Watson James, 132 wektor nośny, 198, 199, 200, 201, 202 własny, 220 Werbos Paul, 125 wiedza, 27, 52, 55, 64, 74, 80 niepewna, 68 SKOROWIDZ 317 perceptron, 121 Wigner Eugene, 47 Williams Ronald, 124 Wilson E.O., 48 wnioskowanie Alchemy, 256 analogiczne, 186, 187 bayesowskie, 17, 67, 68, 126, 156, 158, 174 trudności, 157 logiczne, 256 na podstawie przypadków, 204 niepewne, 68 statystyczne, 16, 68, 174, 256 wojna asymetryczna, 37 Wolpert David, 78, 240 propagacja, 127, 252 wyszukiwanie iteracyjne, 46 wyszukiwarka, 11, 31, 76, 161, 231 wzgórze, 44 wzmacnianie, 92, 240 Xbox Live, 169 X Z zagadnienie niepoprawnie postawione, 79 założenie, 42 zasada 80/20, 59 Hebba, 107, 108 indukcji, 80, 95 maksymalnej wiarygodności, 177 Newtona, Patrz: prawo Newtona niedostatecznej racji, 155, 158 skojarzeń, 107 zbiór Mandelbrota, 47 zespół sawanta, 86 Poleć książkęKup książkę 318 NACZELNY ALGORYTM. JAK JEGO ODKRYCIE ZMIENI NASZ ŚWIAT Poleć książkęKup książkę
Pobierz darmowy fragment (pdf)

Gdzie kupić całą publikację:

Naczelny Algorytm. Jak jego odkrycie zmieni nasz świat
Autor:

Opinie na temat publikacji:


Inne popularne pozycje z tej kategorii:


Czytaj również:


Prowadzisz stronę lub blog? Wstaw link do fragmentu tej książki i współpracuj z Cyfroteką: