[{"data":1,"prerenderedAt":75},["ShallowReactive",2],{"article-77-ru":3,"related-77":62,"ArticleBody_AJR5X87hN1ED5HHbCPdx6RMwXAAuXaBTXu90Cm2EnUE":70},{"id":4,"title":5,"slug":6,"content":7,"metaTitle":5,"metaDescription":8,"coverUrl":9,"views":10,"likes":11,"createdAt":12,"updatedAt":13,"category":14,"tags":24,"author":29,"tableOfContents":32,"locale":9,"translated":60,"indexable":61},77,"ML, что это и как оно устроено","ml-chto-eto-i-kak-ono-ustroeno","# ML, что это и как оно устроено\n\nКаждое утро вы разблокируете смартфон через фейс-айди, слушаете музыку, которую алгоритмы подобрали под ваши предпочтения, и получаете письма по электронной почте, которая отфильтровала спам. Вы пользуетесь продуктами машинного обучения, даже когда не замечаете этого.\n\nНо что скрывается за этим термином? Интеллект? Или просто математика?\n\n---\n\n## 1. Что такое ML\n\n**Машинное обучение (Machine Learning, ML)** — это подход в искусственном интеллекте, при котором система не программируется жёсткими инструкциями, а *обучается* на данных.\n\nКлючевое отличие от обычного программирования:\n\n| Обычное программирование | Машинное обучение |\n| :--- | :--- |\n| Вы пишете правила (код) + Данные = Ответ | Данные + Ответы = Правила (модель) |\n| Пример: `if (температура > 30) { включить_кондиционер(); }` | Пример: Модель смотрит на тысячи показаний температуры и сама решает, когда включить кондиционер. |\n\nПростыми словами: ML — это способ научить компьютер находить закономерности в данных, а не следовать инструкциям, которые написал разработчик.\n\n---\n\n## 2. Три кита ML, как учатся машины\n\nВся суть машинного обучения существует вокруг трёх понятий:\n\n### Данные (Data)\nТопливо для алгоритма. Чем больше и качественнее данных, тем умнее модель. Данные бывают:\n- **Числовые** (рост, вес, цена).\n- **Категориальные** (цвет, город, порода собаки).\n- **Текстовые**, **изображения**, **звук**.\n\n### Признаки\nЭто характеристики объекта, на которые модель обращает внимание. Если мы предсказываем цену квартиры, признаки — это площадь, этаж, год постройки, район.\n\n### Модель\nМатематическая функция, которая преобразует признаки в предсказание. В начале это просто «пустая» функция. В процессе обучения она подстраивается под данные.\n\n---\n\n## 3. Главная дилемма учиться с учителем или без?\n\nВ ML существует три основных парадигмы обучения. Представьте, что вы учите ребёнка распознавать яблоки.\n\n### Обучение с учителем (Supervised Learning)\nВы показываете ребёнку яблоко и говорите: «Это яблоко». Показываете грушу: «Это груша». Так вы даёте ему **размеченные данные** (вход + правильный ответ).\n\n**Задачи:**\n- **Классификация** (выбор категории): спам / не спам; кот / собака.\n- **Регрессия** (предсказание числа): цена дома завтра; температура через час.\n\n### Обучение без учителя (Unsupervised Learning)\nВы выбрасываете в комнату кучу фруктов и не говорите, как они называются. Ребёнок сам замечает, что красные круглые объекты похожи друг на друга, а жёлтые вытянутые — не похожи на яблоки.\n\n**Задачи:**\n- **Кластеризация** (группировка): разделение покупателей по сегментам.\n- **Поиск аномалий**: выявление мошеннических транзакций.\n\n### Обучение с подкреплением (Reinforcement Learning)\nЭто как дрессировка собаки. Вы не говорите, как правильно, но даёте **вознаграждение** за хорошее действие и **штраф** за плохое. Алгоритм методом проб и ошибок находит стратегию, чтобы получить максимум наград.\n\n---\n\n## 4. Как выглядит процесс обучения «под капотом»\n\nДопустим, мы хотим предсказывать цену авто по пробегу, перед нами стоят задачи:\n\n1.  **Сбор данных.** Собираем 10 000 объявлений: пробег → цена.\n2.  **Подготовка (Preprocessing).** Чистим мусор (убираем объявления с ценой 0), масштабируем числа.\n3.  **Выбор модели.** Решаем использовать линейную регрессию (провести прямую линию через облако точек).\n4.  **Обучение.** Модель смотрит на данные и подбирает такой угол наклона прямой, чтобы ошибка (разница между её предсказанием и реальной ценой) была минимальной.\n5.  **Оценка (Evaluation).** Проверяем модель на *новых*, незнакомых данных. Если ошибка мала — модель работает.\n\n---\n\n## 5. Главная боль ML, Переобучение (Overfitting)\n\nЭто момент, когда модель **выучила данные наизусть**, но не поняла суть. \n\nПредставьте ученика, который зазубрил ответы на все вопросы из учебника, но не понял тему. На контрольной с новыми вопросами он провалится.\n\nВ ML это выглядит так: модель идеально предсказывает цены на тех машинах, которые видела, но совершенно ошибается на новых. Борьба с переобучением — это 80% работы дата-сайентиста.\n\n---\n\n## 6. Популярные инструменты, на чём пишут ML сегодня?\n\nЕсли вы решили попробовать, вот стандартный стек:\n\n- **Язык:** Python (безоговорочный лидер).\n- **Библиотеки:**\n  - `NumPy`, `Pandas` — для работы с таблицами.\n  - `Matplotlib`, `Seaborn` — для визуализации (чтобы смотреть на данные глазами).\n  - `Scikit-learn` — для классических алгоритмов (регрессия, деревья решений).\n  - `TensorFlow` / `PyTorch` — для нейросетей и глубокого обучения (для сложных задач вроде распознавания лиц).\n\n---\n\n## 7. С чего начать новичку?\n\nМногие бросают ML, потому что сразу лезут в нейросети и llm. Это ошибка.\n\n1.  **Освойте базовую статистику.** Математика — это фундамент.\n2.  **Изучите Pandas.** Научитесь чистить данные — это самый скучный, но самый важный навык.\n3.  **Начните с Scikit-learn.** Решите задачу предсказания цен на датасете «Boston Housing» (классика).\n4.  **Играйте.** Kaggle (платформа соревнований) — отличное место, чтобы посмотреть, как это делают другие.\n","ML, что это и как оно устроено Каждое утро вы разблокируете смартфон через фейс-айди, слушаете музыку, которую алгоритмы подобрали под ваши предпочтения, и полу",null,43,0,"2026-08-05T11:47:34.837Z","2026-09-01T19:52:21.000Z",{"id":15,"value":16,"content":17,"sortOrder":18,"parent":19},5,"devops","DevOps",3,{"id":20,"value":21,"content":22,"sortOrder":23},1,"dev","Разработка",2,[25],{"id":26,"value":27,"content":28},136,"mashinnoe-obuchenie-ml","Машинное обучение (ML)",{"id":30,"name":31,"slug":9},116,"Lever",[33,34,36,38,40,42,44,46,48,50,52,54,56,58],{"level":20,"text":5},{"level":23,"text":35},"1. Что такое ML",{"level":23,"text":37},"2. Три кита ML, как учатся машины",{"level":18,"text":39},"Данные (Data)",{"level":18,"text":41},"Признаки",{"level":18,"text":43},"Модель",{"level":23,"text":45},"3. Главная дилемма учиться с учителем или без?",{"level":18,"text":47},"Обучение с учителем (Supervised Learning)",{"level":18,"text":49},"Обучение без учителя (Unsupervised Learning)",{"level":18,"text":51},"Обучение с подкреплением (Reinforcement Learning)",{"level":23,"text":53},"4. Как выглядит процесс обучения «под капотом»",{"level":23,"text":55},"5. Главная боль ML, Переобучение (Overfitting)",{"level":23,"text":57},"6. Популярные инструменты, на чём пишут ML сегодня?",{"level":23,"text":59},"7. С чего начать новичку?",false,true,[63],{"id":4,"title":5,"slug":6,"content":8,"description":8,"coverUrl":9,"views":64,"likes":11,"createdAt":12,"category":65,"tags":67,"author":69},45,{"id":15,"value":16,"content":17,"sortOrder":18,"parent":66},{"id":20,"value":21,"content":22,"sortOrder":23},[68],{"id":26,"value":27,"content":28},{"id":30,"name":31,"slug":9},["Island",71],{"key":72,"result":73},"ArticleBody_AJR5X87hN1ED5HHbCPdx6RMwXAAuXaBTXu90Cm2EnUE",{"head":74},{},1788471408934]