Що таке машинне навчання (Machine Learning)?
Машинне навчання (Machine Learning, ML) — це підхід до створення програм, за якого модель виводить правила з даних сама, замість того щоб розробник прописував їх вручну. Розробник готує дані та обирає алгоритм, а закономірності модель знаходить у процесі навчання.
Класичний приклад — фільтр спаму. Написати вручну всі правила «що таке спам» неможливо: вони змінюються щотижня. Натомість моделі показують десятки тисяч листів із позначками «спам» / «не спам», і вона сама зʼясовує, які ознаки на це вказують.
Навчання буває з учителем (дані розмічені заздалегідь: ціна квартири, діагноз, категорія листа), без учителя (модель шукає структуру в нерозмічених даних — наприклад, сегменти клієнтів) і з підкріпленням (модель вчиться на винагороді за вдалі дії).
Де застосовується
Машинне навчання працює там, де є накопичені дані й повторюване рішення. Банки використовують його для скорингу і виявлення шахрайства, ритейл — для прогнозу попиту й рекомендацій, логістика — для планування маршрутів, виробництво — для передбачення поломок обладнання.
Впровадження рідко впирається в алгоритми: бібліотеки на кшталт scikit-learn і готові хмарні сервіси закривають цю частину. Основний час іде на дані — збір, очищення, розмітку, перевірку якості — і на вбудовування моделі в реальний процес, включно з моніторингом того, як з часом змінюється її точність.
Приклад
Прогноз відтоку клієнтів: на історичних даних про поведінку користувачів модель вчиться оцінювати ймовірність, що конкретний клієнт піде найближчого місяця.
Часті запитання
Чим машинне навчання відрізняється від штучного інтелекту?
Штучний інтелект — загальна назва всієї галузі. Машинне навчання — один із підходів усередині неї, найпоширеніший сьогодні: модель виводить правила з даних. Інакше кажучи, будь-яке машинне навчання належить до AI, але не всякий AI використовує навчання на даних.
Що таке навчання з учителем і без учителя?
З учителем модель вчиться на розмічених прикладах, де відома правильна відповідь: лист зі спамом позначений як спам. Без учителя правильних відповідей немає, і модель шукає структуру сама — наприклад, розбиває клієнтів на групи зі схожою поведінкою.
Скільки даних потрібно для навчання моделі?
Залежить від задачі: для простої табличної моделі іноді вистачає кількох тисяч прикладів, для розпізнавання зображень потрібні десятки тисяч. Якість важливіша за кількість: розмічені з помилками дані псують результат сильніше, ніж їх нестача.
Що таке перенавчання?
Ситуація, коли модель запамʼятала навчальні приклади замість того, щоб виявити закономірність: на знайомих даних вона показує відмінний результат, на нових — поганий. Щоб це помітити, частину даних завжди відкладають і використовують лише для перевірки.