Машинное обучение – это раздел науки о данных, который появился достаточно давно. Первые алгоритмы машинного обучения стали появляться ещё в середине двадцатого века. Общая идея, лежащая в основе машинного обучения, довольно проста: учёный создаёт некоторый алгоритм, который был бы способен самосовершенствоваться в процессе работы с данными. Такой подход обладает как рядом очевидных плюсов, так и набором не менее очевидных минусов. Недостатками данного подхода, к примеру, часто считают низкую интерпретируемость результата. Довольно часто нельзя формально объяснить, чем обусловлено то или иное решение алгоритма. При этом несомненным плюсом является возможность работать с большими объёмами плохо формализованной информации, к примеру, с текстами на естественном языке или с музыкальными произведениями.
Последние десять лет машинное обучение переживает взрывной рост. Это связано с рядом причин. Во-первых, закон Мура привёл к тому, что вычислительные мощности стали очень доступны, процессор нашего телефона на несколько порядков мощнее и дешевле суперкомпьютеров шестидесятых годов. Во-вторых, развитие интернета привело к тому, что объёмы данных, на которых можно обучать алгоритмы, стало лавинообразно расти. Проще говоря, технологии подешевели, а количество задач для них резко возросло.
Важно отметить, что машинное обучение уже довольно давно выходит за пределы математики и computer science – теперь алгоритмы пишут картины и стихи, помогают создавать музыку, используются для анализа программ политических партий и предпочтений избирателей, кроме того, они даже пытаются установить авторство тех или иных исторических документов.
Лекция состоялась 23 декабря 2017 года в Европейском университете в Санкт-Петербурге.