Что такое машинное обучение

Программа против модели

В обычном программировании человек пишет правила: «если в письме есть слово "выигрыш" и ссылка — это спам». Компьютер применяет правила к данным и получает ответы.

В машинном обучении всё наоборот: мы даём компьютеру данные с ответами (тысячи писем с пометкой «спам/не спам»), а правила — точнее, числа внутри модели — он подбирает сам.

Так решают задачи, для которых правила невозможно выписать руками: узнать лицо на фото, перевести текст, понять речь, предсказать спрос.

Из чего состоит задача обучения

Возьмём пример: предсказать цену квартиры по площади.

Посмотрим на данные и попробуем подобрать прямую руками. Меняйте w и b (кнопка «Изменить») и смотрите, как меняется ошибка:

import vis

areas  = [32, 38, 45, 50, 56, 63, 70, 78, 85, 95]           # м²
prices = [6.8, 7.9, 9.1, 10.4, 11.0, 12.9, 13.8, 15.6, 16.5, 19.2]   # млн ₽

w, b = 0.15, 2.0          # попробуйте 0.2 и 0.5

predictions = [w * a + b for a in areas]
mse = sum((p - y) ** 2 for p, y in zip(predictions, prices)) / len(prices)
print(f"w = {w}, b = {b}: средний квадрат ошибки = {mse:.3f}")

vis.line(areas, {"данные": prices, f"модель {w}·x + {b}": predictions},
         title="Цена квартиры от площади", xlabel="площадь, м²", ylabel="цена, млн ₽")

Подбирать руками долго, а параметров в настоящих моделях — тысячи и миллиарды. Весь курс, по сути, отвечает на вопрос: как автоматически найти параметры, при которых ошибка минимальна. Ответ — градиентный спуск, и до него мы доберёмся через несколько уроков.

Виды обучения

• С учителем (supervised): у каждого объекта есть правильный ответ.
• Регрессия — ответ число: цена, температура, время доставки.
• Классификация — ответ класс: спам/не спам, цифра 0–9, порода собаки.
• Без учителя (unsupervised): ответов нет, ищем структуру — группы похожих объектов (кластеризация), сжатие данных.
• С подкреплением (reinforcement learning): агент действует в среде и получает награду — так учат играть в игры и управлять роботами.
• Самообучение (self-supervised): ответы берутся из самих данных — например, «угадай следующее слово». Так обучаются большие языковые модели.

Почему нейросети

Прямая — простая модель: она умеет только линейные зависимости. Нейросеть — это много простых функций, соединённых в цепочку, с огромным числом параметров. Такая модель может приблизить практически любую зависимость: от «картинка → цифра» до «текст → перевод». Обучаются нейросети тем же способом, что и прямая: считаем ошибку и двигаем параметры туда, где она меньше.

Как устроен курс

Главное в курсе — мы не пользуемся готовыми фреймворками как чёрным ящиком. Шаг за шагом мы напишем собственную библиотеку nanotorch — маленький аналог PyTorch: тензоры с автоматическим вычислением градиентов, слои, оптимизаторы, свёртки и механизм внимания. Когда очередной кусок написан и понятен, мы берём его из готовой библиотеки и идём дальше. В конце курса на ней же работает трансформер.

Как пользоваться уроками

• Код в уроках настоящий: нажмите ▶ Запустить — он выполнится прямо в браузере (Python и NumPy работают на странице, ничего ставить не нужно).
• ✎ Изменить — меняйте числа и код, экспериментируйте. Сломать ничего нельзя.
• Графики строит модуль vis: vis.line, vis.scatter, vis.heatmap и другие. Наводите курсор на точки и клетки — появятся подсказки.
• В уроках есть интерактивные виджеты с ползунками, а после урока — задания с автоматической проверкой.

Математики не бойтесь: всё, что нужно, мы разберём с нуля, на картинках и в коде. Если вы помните школьные дроби и умеете писать на Python функции и циклы — этого достаточно.

Итог

• Машинное обучение — подбор параметров модели по данным с ответами, а не ручное написание правил.
• Задача обучения: признаки → модель с параметрами → функция потерь → поиск параметров с минимальной ошибкой.
• Регрессия предсказывает число, классификация — класс.
• В курсе мы напишем свою библиотеку нейросетей и дойдём до трансформера.