Machine Learning (ML)

Машинное обучение (ML) — это раздел искусственного интеллекта (AI), в котором компьютерные системы изучают закономерности на данных, а не следуют правилам, написанным программистом. Например, фильтру, обученному с помощью ML, не указывают, какие слова свидетельствуют о спаме: он анализирует тысячи писем с пометками «спам» и «не спам», самостоятельно изучает закономерности, а затем применяет их к новым сообщениям. Артур Сэмюэл ввёл этот термин в 1959 году, разрабатывая программу для игры в шашки, которая совершенствовалась, играя сама с собой. Позже Том Митчелл предложил широко цитируемое определение: программа учится, когда её результативность в задаче, измеряемая некоторой метрикой, улучшается с опытом.

Как работает машинное обучение#

Модель ML — это функция с настраиваемыми параметрами: от нескольких коэффициентов линейной регрессии до миллионов весов нейронной сети. Во время обучения подбираются значения параметров, позволяющие модели как можно точнее предсказывать на обучающих данных; обычно для этого минимизируется функция потерь. Главное — способность к обобщению: затем модель оценивают на отложенных валидационных данных и тестовых данных, которых она не видела при обучении. Если модель показывает хорошие результаты на обучающих данных, но плохие на новых, она переобучилась: запомнила примеры вместо того, чтобы выучить закономерность.

В этом примере scikit-learn обучает случайный лес распознавать рукописные цифры и оценивает его на цифрах, отложенных от обучения:

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 1,797 labeled 8x8 images of handwritten digits bundled with scikit-learn
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Fit learns decision rules from the labeled examples; no rules are hand-written
model = RandomForestClassifier(random_state=0)
model.fit(X_train, y_train)

# Score on digits the model never saw during training
print(f"Test accuracy: {model.score(X_test, y_test):.1%}")

Модель достигает точности 97.6% на 450 тестовых цифрах, используя только закономерности, выявленные на 1 347 других размеченных примерах.

Виды машинного обучения#

• Обучение с учителем: модель обучается на размеченных примерах, где каждому входу соответствует правильный выход. Классификация, регрессия и обнаружение объектов — задачи обучения с учителем.
• Обучение без учителя: находит структуру в неразмеченных данных, например сегменты клиентов с помощью кластеризации k-means.
• Обучение с самоконтролем: создаёт собственные метки из данных, например предсказывая следующее слово в предложении или скрытый фрагмент изображения. Так предварительно обучаются большие языковые модели (LLM) и другие базовые модели.
• Обучение с подкреплением: агент учится методом проб и ошибок, выполняя действия в среде и корректируя поведение для максимизации вознаграждения.

Машинное обучение, ИИ, глубокое обучение и наука о данных#

Машинное обучение находится между ИИ — широкой целью создания интеллектуальных машин — и глубоким обучением (DL), подмножеством ML, в котором используются многослойные нейронные сети, самостоятельно изучающие признаки из исходных данных:

Классические алгоритмы, например случайные леса и XGBoost, по-прежнему эффективны для табличных данных, где каждый столбец, например цена или возраст, уже представляет собой осмысленный признак. Наука о данных — смежная дисциплина, использующая ML как один из многих инструментов наряду со статистикой, визуализацией данных и анализом предметной области для поиска ответов на вопросы с помощью данных.

Жизненный цикл машинного обучения#

Работа над моделью в эксплуатации никогда не заканчивается. Команды собирают и размечают данные, обучают и проверяют модель, развёртывают её и отслеживают её предсказания, возвращаясь к данным, если точность оказывается недостаточной или реальный мир меняется. Этот цикл лежит в основе эксплуатации машинного обучения (MLOps):

Для компьютерного зрения Ultralytics Platform объединяет весь этот цикл в одном месте: команды загружают и аннотируют наборы данных, обучают модели Ultralytics YOLO26 на облачных GPU, развёртывают их и отслеживают их работу в эксплуатации.

Примеры применения в реальных условиях#

• Компьютерное зрение: модели обнаруживают дефекты на производственных линиях, анализируют медицинские снимки и управляют автономными транспортными средствами.
• Обработка естественного языка (NLP): перевод, поиск, чат-боты и фильтрация спама основаны на моделях, обученных на текстовых данных.
• Рекомендательные системы: стриминговые и торговые платформы ранжируют контент для каждого пользователя на основе его предыдущего поведения.
• Прогнозирование временных рядов: модели предсказывают спрос на товары, нагрузку на энергосистему и отказы оборудования по историческим данным.
• Обнаружение аномалий: банки за миллисекунды оценивают каждую транзакцию по карте с помощью моделей, обученных на данных о прошлых случаях мошенничества, и отмечают подозрительные операции.