Аннотация. В работе рассматриваются так называемые интеллектуальные методы и как их важная составляющая-сфера машинного обучения (machine learning-ML), относящаяся к части слабого искусственного интеллекта. Приведена таксономия методов ML и описаны показатели оценки точности классификации. Рассмотрены способы использования «кривых обучения» для оценки методов ML в динамике роста числа обу-чающих примеров. Ключевые слова: машинное обучение, искусственные нейронные сети, accuracy, precision,

more »

... l, T1 Score, таксономия, обучаемость. 1. Введение Интеллектуальные методы-обширный раздел современной информационной науки, предназначенный для внедрения в практику методов принятия решений обычно применяемых человеком. Синонимичным понятием является искусствен-ный интеллект (ИИ). Сфера искусственного интеллекта (Artificial Intelligence-AI) весьма обширна и включает в себя множество направлений, начиная от логики и заканчивая мето-дами оценки тональности текстов. Традиционно выделяют так называемый силь-ный искусственный интеллект (Strong AI) и слабый искусственный интеллект (Weak AI). Первый ориентирован на создание систем, выполняющих высокоинтел-лектуальные задачи, присущие человеку, в конечном счете на создание мыслящих машин. Подобные разработки финансируются DARPA, как, например, упоминав-шаяся выше лаборатория [1]. Можно отметить также работу, которая одной из пер-вых определила само понятие «мысль» в популярной форме, описавшая принципы функционирования мозга. Слабый ИИ ориентирован на создание приложений, в которых реализуется та или иная интеллектуальная способность человека или животных. Например, спо-собность безопасного движения по пересеченной местности, роевой (муравьиный)