Оглавление
Терренс Сейновски. Антология машинного обучения. Важнейшие исследования в области ИИ за последние 60 лет
Предисловие
Часть I. Переосмысление интеллекта: хронология
Глава 1. Развитие машинного обучения
Учим водить
Учим переводить
Учим слушать
Учим ставить диагноз
Учим зарабатывать деньги
Учим играть в покер
Учим играть в го
Учим становиться умнее
Изменение рынка труда
Искусственный интеллект – реальная угроза?
Назад в будущее
Глава 2. Перерождение искусственного интеллекта
Детская игра?
Почему компьютерное зрение – трудная задача?
Экспертная система
В логове льва
Глава 3. Спад нейронных сетей
Первооткрыватели
Обучение на примерах
SEXNET
Закат перцептронов
Глава 4. Обработка данных как в человеческом мозге
Как работает мозг
Первые успехи
Прапраправнук Джорджа Буля
Проект «Шалтай-Болтай»
Чему я научился в Вудс-Хоуле
Недостающее звено
Глава 5. Понимание зрительной системы
Схема работы зрения
Зрительная система в коре мозга
Пластичность синапса
Восстановление формы объекта по теням
Иерархическая организация визуальных карт коры головного мозга
Появление когнитивной нейробиологии
Часть II. Множество способов обучения: хронология
Глава 6. Проблема коктейльной вечеринки
Независимый компонентный анализ[132]
Независимый компонент в мозге
За рамками ICA
Глава 7. Нейронная сеть Хопфилда и машина Больцмана
Джон Хопфилд
Сеть с ассоциативной памятью
Поиск глобального энергетического минимума
Машины Больцмана
Теория синаптической пластичности Хебба
Изучение зеркальной симметрии
Распознавание почтовых индексов, написанных вручную
Неконтролируемое обучение и развитие коры головного мозга
Глава 8. Метод обратного распространения ошибки
Оптимизация
NETtalk
Возрождение нейронных сетей
Понимание глубокого обучения
Ограничения нейронных сетей
Продвижение
Глава 9. Сверточные сети
Устойчивый прогресс в машинном обучении
Сверточные нейронные сети
Столкновение глубокого обучения и визуальной иерархии
Рабочая память и долговременное хранение данных
Порождающие состязательные сети[233]
Все дело в масштабировании
Глава 10. Обучение с подкреплением
Учим играть в нарды
Обучение мозга методом вознаграждения
Мотивация и базальные ганглии
Учим парить
Учим петь
Другие формы обучения
Чего не хватает?
Глава 11. Нейронные системы обработки информации
Глубокое обучение за игровым столом
Подготовка к будущему
Часть III. Технические и научные последствия: хронология
Глава 12. Будущее машинного обучения
Жизнь в XXI веке
Будущее идентичности
Рассвет социальных роботов
Руби
Выражение лица – окно в вашу душу
Наука об обучении
Научитесь учиться
Тренировка мозга
Искусственный интеллект и бизнес
Глава 13. Эпоха алгоритмов
Сложные системы
Клеточный автомат
Мозг – это компьютер?
Пространство алгоритмов
Глава 14. Привет, мистер Чип
Горячие чипы
Холодные чипы
Нейроморфная инженерия
Конец закона Мура?
Глава 15. Внутренняя информация
Информационная теория
Теория чисел
Прогностическое кодирование
Глобальный мозг
Операционные системы
Информация на всех уровнях
Играть в долгую игру[416]
Глава 16. Сознание[418]
Нейронные корреляты сознания
Бабушкины клетки
Когда воспринимается время визуального события?
Где в мозгу воспринимается зрительный образ?
Учим смотреть
Переходы
Глава 17. Природа умнее нас
Второй закон Орджела
Дело против А. Н. Хомского
Бедность воображения
Дело против «черных ящиков»
Дело против М. Л. Минского
Шаги
Глава 18. Глубокий интеллект
Франциск Крик в раю
Эволюция интеллекта
Откуда мы вообще взялись?
Логика жизни
Дополнительная литература
Введение в нейробиологию
Биологический интеллект
Машинное обучение
Благодарности
Глоссарий
Отрывок из книги
Используя распознавание голоса в смартфоне на Android или в Google Переводчике в Интернете, вы сталкиваетесь с нейросетью, натренированной глубоким обучением. За последние несколько лет глубокое обучение обеспечило компании Google прибыль, достаточную для того, чтобы покрыть расходы на все футуристические проекты Google X, включая беспилотные автомобили, очки Google Glass и научно-исследовательский проект Google Brain[1]. Она одной из первых начала применять глубокое обучение. В 2013 году Google наняла Джеффри Хинтона, отца-основателя глубокого обучения, и сейчас другие компании пытаются угнаться за ней.
Современные достижения в области искусственного интеллекта (ИИ) получены благодаря реверсивной инженерии[2] человеческого мозга. Алгоритмы обучения многоуровневых нейронных сетей основаны на том, как нейроны взаимодействуют друг с другом и изменяются в процессе получения опыта. Внутри сети вся многогранность мира превращается в калейдоскоп моделей деятельности, которые и являются основными составляющими ИИ. Модели нейросетей, с которыми я работал в 1980-х годах, едва сравнимы с современными, состоящими из миллионов искусственных нейронов и десятков слоев. Человеческое упорство, огромный объем данных и мощные компьютеры позволили глубокому обучению совершить прорыв в решении самых сложных проблем искусственного интеллекта.
.....
Рис. 1.8. Матч между Ли Седолем и AlphaGo. Доска во время матча из пяти игр между корейским чемпионом и нейросетью, которая научилась играть сама
Результат матча в го, когда AlphaGo обыграла Ли Седоля, сильно повлиял на население Азии, где чемпионы по го – едва ли не национальные герои, подобно рок-звездам. Ранее AlphaGo обыграла чемпиона Европы, но сама по себе игра была не очень высокого уровня, поэтому Ли Седоль не ожидал столкнуться с серьезным соперником. Даже DeepMind, компания, создавшая AlphaGo, не ожидала такой сильной игры. С момента последнего матча AlphaGo сыграла сотни миллионов игр с разными своими модификациями, и едва ли можно выразить словами, насколько хороши были эти партии.
.....
