СПбГУ

Санкт-Петербургский государственный университет
Математико-механический факультет
Кафедра теоретической кибернетики



Машинное обучение и искусственный интеллект
Machine Learning and Artificial Intelligence


М.С. Ананьевский

Научный руководитель
Михаил Сергеевич Ананьевский


Темы курсовых работ:

Machine Learning
  1. Реферирование статьи
    Leo Breiman
    Random Forests
    Machine learning, 2001, 45 (1), pp 5–32
    DOI: 10.1023/A:1010933404324

  2. Реферирование статьи
    Tom Fawcett
    An introduction to ROC analysis
    Pattern recognition letters, 2006, 27 (8), pp 861–874
    DOI: 10.1016/j.patrec.2005.10.010

  3. Реферирование статьи
    Janez Demsar
    Statistical comparisons of classifiers over multiple data sets
    Journal of machine learning research, 2006, 7, pp 1–30
    ISSN: 1532-4435

  4. Реферирование статьи
    Alex J. Smola, Bernhard Scholkopf
    A tutorial on support vector regression
    Statistics and computing, 2004, 14 (3), pp 199–222
    DOI: 10.1023/B:STCO.0000035301.49549.88

  5. Реферирование статьи
    Kaelbling L.P., Littman M.L., and Moore A.W.
    Reinforcement learning: A survey
    Journal of artificial intelligence research, 1996, 4, pp 237–285
    ISSN: 1076-9757

  6. Реферирование статьи
    Rui Xu, Wunsch D.
    Survey of clustering algorithms
    IEEE Transactions on neural networks, 2005, 16 (3), pp 645–678
    DOI: 10.1109/TNN.2005.845141

  7. Реферирование статьи
    Sinno Jialin Pan, Qiang Yang
    A Survey on Transfer Learning
    IEEE Transactions on knowledge and data engineering, 2010, 22 (10), pp 1345–1359
    DOI: 10.1109/TKDE.2009.191

  8. Реферирование статьи
    Stone P., Veloso M.
    Multiagent systems: A survey from a machine learning perspective
    Autonomous robots, 2000, 8 (3), pp 345–383
    DOI: 10.1023/A:1008942012299

Deep Learning
  1. Реферирование статьи
    Yann LeCun, Yoshua Bengio, Geoffrey Hinton
    Deep learning
    Nature, 2015, 521 (7553), pp 436–444
    DOI: 10.1038/nature14539

  2. Реферирование статьи
    Yoshua Bengio, Aaron Courville, Pascal Vincent
    Representation Learning: A Review and New Perspectives
    IEEE Transactions on pattern analysis and machine intelligence, 2013, 35 (8), pp 1798–1828
    DOI: 10.1109/TPAMI.2013.50

  3. Реферирование статьи
    Juergen Schmidhuber
    Deep learning in neural networks: An overview
    Neural networks, 2015, 61, pp 85–117
    DOI: 10.1016/j.neunet.2014.09.003

  4. Реферирование статьи
    Dumitru Erhan, Yoshua Bengio, Aaron Courville, Pierre-Antoine Manzagol, Pascal Vincent, Samy Bengio
    Why Does Unsupervised Pre-training Help Deep Learning
    Journal of machine learning research, 2010, 11, pp 625–660
    ISSN: 1532-4435

  5. Реферирование статьи
    James Bergstra, Yoshua Bengio
    Random Search for Hyper-Parameter Optimization
    Journal of machine learning research, 2012, 13, pp 281–305
    ISSN: 1532-4435

Big Data
  1. Реферирование статьи
    Min Chen, Shiwen Mao, Yunhao Liu
    Big Data: A Survey
    Mobile networks & applications, 2014, 19 (2), pp 171–209
    DOI: 10.1007/s11036-013-0489-0

  2. Реферирование статьи
    C. L. Philip Chen, Chun-Yang Zhang
    Data-intensive applications, challenges, techniques and technologies: A survey on Big Data
    Information sciences, 2014, 275, pp 314–347
    DOI: 10.1016/j.ins.2014.01.015

  3. Реферирование статьи
    Vivien Marx
    The Big Challenges of Big Data
    Nature, 2013, 498 (7453), pp 255–260
    ISSN: 0028-0836


Темы научно-исследовательских работ:

  1. Решение задач идентификации методами машинного обучения
    Использование методов машинного обучения для разработки алгоритмов идентификации состояний сложных объектов (нелинейных, маятниковых систем, мобильных роботов и др.). Моделирование и анализ полученных алгоритмов управления.

  2. Построение алгоритмов управления методами машинного обучения
    Использование методов машинного обучения для разработки алгоритмов управления различными объектами (линейными, нелинейными, маятниковыми системами, мобильными роботами и др.). Моделирование и анализ полученных алгоритмов управления.

  3. Применение методов машинного обучения для мультиагентных систем
    Использование методов машинного обучения для задач децентрализованного управления мультиагентными системами (группами мобильных роботов, беспилотных летательных аппаратов, роем объектов с разными техническими характеристиками). Моделирование и анализ полученных алгоритмов управления.



СПбГУ подписан на ряд журналов, поэтому через сайт библиотеки университета возможно бесплатно получить многие материалы.
Оракул

Проблемы и перспективы

Системы искусственного интеллекта ознаменовали новый этап развития человечества. Прогресс в технологиях машинного обучения создает предпосылки для глубокой автоматизации мировой экономики и значительного прироста производительности труда. Массовое внедрение систем искусственного интелекта в технологические и производственные процессы может оказать в ближайшее десятилетие шоковое влияние на экономики многих стран. Точные экономические последствия предсказать проблематично, тем не менее выделяют пять основных эффектов:

  • общий рост производительности труда;
  • изменение списка востребованных профессиональных навыков на рынке труда, включая общее увеличение потребности в высококвалифицированных технических специалистах;
  • неравномерное распределение эффекта среди разных секторов экономики, уровня зарплат, кадровой подготовки, групп профессий, географического местоположения;
  • перестройка рынка труда: некоторые профессии исчезнут, некоторые появятся;
  • рост технологической безработицы в краткосрочной, а возможно и в долгосрочной перспективе.
Существует большая неопределенность в том, насколько сильными и быстрыми окажутся эти эффекты. Возможно, что изменения будут медленными, без дестабилизации экономических систем, или наоборот, они будут быстрыми и вызовут экономический шок.

  1. John P. Holdren, Megan Smith
    Preparing for the Future of Artificial Intelligence
    Executive Office of The President of The United States, Washington, D.C., 20502, October 12, 2016
    Document

  2. Jason Furman, John P. Holdren, Cecilia Munoz, Megan Smith, Jeffery Zients
    Artificial Intelligence, Automation, and the Economy
    Executive Office of The President of The United States, Washington, D.C., 20502, December 20, 2016
    Document


Автоматизация технологических и производственных процессов позволяет наращивать производственные мощности, улучшать качество продукции, ускорять и оптимизировать процессы управления, повысить безопасность труда и отстранить человека от выполнения опасных работ. Для многих задач автоматизация позволяет достигать показателей, которые в принципе невозможно достичь ручным трудом. Исторический опыт свидетельствует, что автоматизация также повышает производительность труда: в США в 1900 году на сектор сельского хозяйства приходилось около 40% рабочих мест, к 2000 году этот показатель снизился до 2%.

Процент рабочего времени приходящийся на деятельность, требующую высокого или среднего уровня человечности (для США):

#Тип деятельности
67%Распознавание известных образов и категорий
46%Формирование сообщений на естественном языке
41%Сенсорное восприятие
38%Информационный поиск
35%Понимание естественного языка
17%Передвижение предметов
15%Презентации, выступления
13%Социальное и эмоциональное распознавание
13%Логический вывод и решение задач
12%Оптимизация и планирование
11%Манипулирование предметами, требующее ловкости и ощущения
10%Координация в мультиагентном окружении (работа в команде)
10%Социальное и эмоциональное окрашивание сообщений
9%Социальный и эмоциональный анализ
4%Навигация и ориентирование
4%Передвижение по местности
2%Креативность
2%Создание новых образов, категорий, гипотез

* Цвет соответствует уровню реализации в существующих коммерческих, научно-исследовательских или опытно-конструкторских системах: красный соответствует человечности ниже средней, желтый – средней, зеленый – выше средней.

Существующие на сегодняшний день технологии позволяют полностью автоматизировать менее 5% профессий в США. Детальный анализ свидетельствует о широких возможностях для частичной автоматизации: для 60% должностей можно автоматизировать 30% их рабочих обязанностей. Наиболее благоприятными для автоматизации являются профессии связанные со сбором и обработкой данных (потенциал автоматизации до 70%) и физическая работа в предсказуемом окружении (потенциал автоматизации до 80%).

  1. Jacques Bughin, James Manyika, Jonathan Woetzel
    A Future that Works: Automation, Employment, and Productivity
    McKinsey Global Institute, January 2017
    Document


Машинное обучение – это комплекс технологий, характерной чертой которых является непрямое решение задачи, то есть система программируется не на решение конкретной задачи, а на обучение решению множества сходных задач.

Технологии машинного обучения:

  1. обучение по дереву принятия решений
  2. обучение по ассоциативным правилам
  3. искусственные нейронные сети
  4. глубокое обучение
  5. индуктивное логическое программирование
  6. метод опорных векторов
  7. кластерный анализ
  8. байесовские сети
  9. обучение с подкреплением
  10. обучение по характерным особенностям
  11. обучение по подобию
  12. обучение по избыточному словарю
  13. генетические алгоритмы
  14. обучение методами формирования правил
  15. система обучающихся классификаторов

Большие данные – это массивы данных, которые настолько велики или сложны, что использование традиционного программного обеспечения для их обработки не имеет смысла.




Актуальность научной области





На графиках отображено количество научных публикаций по годам согласно данным Web of Science.
Поиск публикаций осуществлялся по вхождению ключевых слов в "TOPIC" (название статьи, аннотация, авторские ключевые слова статьи, дополнительные ключевые слова статьи).



Диссертации
докторов
кандидатов

Дипломные работы
магистров
специалистов
бакалавров

Курсовые работы
студентов

Кафедра теоретической кибернетики СПбГУ
Университетский пр-кт, дом 28, к.3343–3356
Санкт-Петербург, 198504, Россия
Телефон: +7 (812) 428-41-48
Факс: +7 (812) 428-69-98


© Коллектив кафедры теоретической кибернетики СПбГУ, 2012–2017