Что такое Машинное обучение (machine learning)
Подробнее
Раньше программу учили правилам: «если письмо содержит слово ВИАГРА — это спам». Машинное обучение работает иначе: алгоритму показывают тысячи писем с метками «спам / не спам», и он сам выводит правило, какие признаки указывают на спам. Это и есть «обучение на данных».
ML делится на три подхода. Supervised learning (обучение с учителем) — есть размеченные данные с правильными ответами (классификация спама, прогноз цен). Unsupervised learning (без учителя) — данные без меток, алгоритм ищет структуру сам (кластеризация клиентов). Reinforcement learning (с подкреплением) — агент учится через систему наград (AlphaGo, ChatGPT RLHF).
В 2026 году самый громкий подвид ML — deep learning (глубокие нейронные сети) и его флагманский продукт — LLM (GPT-5.4, Claude и пр.). Но классический ML тоже жив: для задач прогнозирования продаж, кредитного скоринга, fraud detection — деревья решений и градиентный бустинг (XGBoost, LightGBM) часто бьют LLM по точности и стоимости.
Примеры
- Классификация спама (классическое ML)
- Рекомендации товаров (matrix factorization)
- Распознавание лиц (deep learning)
- Прогноз цен на акции (gradient boosting)
- ChatGPT, Claude (LLM = подмножество deep learning)
Частые вопросы
Что такое машинное обучение простыми словами?
Это способ научить компьютер решать задачи на примерах, а не через правила. Показал 10000 фотографий кошек и собак с метками — алгоритм научился их различать. Никто не писал правило «у кошки уши вверху» — модель сама нашла признаки.
Чем ML отличается от ИИ?
ИИ — широкая область, включающая всё что «интеллектуально» (логические системы, экспертные системы, ML). ML — подраздел ИИ, где обучение на данных. Deep learning — подраздел ML с нейросетями. LLM — подраздел deep learning с трансформерами.
Нужно ли мне знать ML, чтобы использовать ChatGPT?
Нет, для использования — только промпт-инжиниринг. Знание ML нужно если вы строите свой продукт на LLM (RAG-систему, fine-tuning, агента) или хотите понимать, почему модель ведёт себя так, а не иначе.
Что лучше для бизнеса — классическое ML или LLM?
Зависит от задачи. Для табличных данных (прогноз продаж, скоринг, fraud) — классический ML (XGBoost, LightGBM) часто лучше. Для текстов и общения с пользователями — LLM. Для изображений и видео — diffusion-модели. Лучшая практика — комбинировать.