Что такое машинное обучение (Machine Learning)?
Машинное обучение (Machine Learning, ML) — это подход к созданию программ, при котором модель выводит правила из данных сама, вместо того чтобы разработчик прописывал их вручную. Разработчик готовит данные и выбирает алгоритм, а закономерности модель находит в процессе обучения.
Классический пример — фильтр спама. Написать вручную все правила «что такое спам» невозможно: они меняются каждую неделю. Вместо этого модели показывают десятки тысяч писем с пометками «спам» / «не спам», и она сама выясняет, какие признаки на это указывают.
Обучение бывает с учителем (данные размечены заранее: цена квартиры, диагноз, категория письма), без учителя (модель ищет структуру в неразмеченных данных — например, сегменты клиентов) и с подкреплением (модель учится на вознаграждении за удачные действия).
Где применяется
Машинное обучение работает там, где есть накопленные данные и повторяющееся решение. Банки используют его для скоринга и выявления мошенничества, ритейл — для прогноза спроса и рекомендаций, логистика — для планирования маршрутов, производство — для предсказания поломок оборудования.
Внедрение редко упирается в алгоритмы: библиотеки вроде scikit-learn и готовые облачные сервисы закрывают эту часть. Основное время уходит на данные — сбор, очистку, разметку, проверку качества — и на встраивание модели в реальный процесс, включая мониторинг того, как со временем меняется её точность.
Пример
Прогноз оттока клиентов: на исторических данных о поведении пользователей модель учится оценивать вероятность, что конкретный клиент уйдёт в ближайший месяц.
Частые вопросы
Чем машинное обучение отличается от искусственного интеллекта?
Искусственный интеллект — общее название всей области. Машинное обучение — один из подходов внутри неё, самый распространённый сегодня: модель выводит правила из данных. Иначе говоря, всякое машинное обучение относится к AI, но не всякий AI использует обучение на данных.
Что такое обучение с учителем и без учителя?
С учителем модель учится на размеченных примерах, где известен правильный ответ: письмо со спамом помечено как спам. Без учителя правильных ответов нет, и модель ищет структуру сама — например, разбивает клиентов на группы со схожим поведением.
Сколько данных нужно для обучения модели?
Зависит от задачи: для простой табличной модели иногда хватает нескольких тысяч примеров, для распознавания изображений нужны десятки тысяч. Качество важнее количества: размеченные с ошибками данные ухудшают результат сильнее, чем их недостаток.
Что такое переобучение?
Ситуация, когда модель запомнила обучающие примеры вместо того, чтобы выявить закономерность: на знакомых данных она показывает отличный результат, на новых — плохой. Чтобы это заметить, часть данных всегда откладывают и используют только для проверки.