Machine Learning
Machine Learning
🎯 Мета розділу
- Зрозуміти, що таке машинне навчання та навіщо воно потрібне.
- Освоїти ключові поняття: дані, ознаки, цільова змінна, модель.
- Побачити, як модель навчається на прикладах та генерує передбачення.
- Відрізняти машинне навчання від програмування на правилах.
🔑 Ключові терміни
- Machine Learning (ML): підгалузь AI, де системи навчаються на даних, а не на явних правилах.
- Дані (Data): інформація, на якій навчається модель — зазвичай великий набір прикладів.
- Ознаки (Features): характеристики об'єкта, які модель аналізує для прийняття рішення.
- Цільова змінна (Target / Label): правильна відповідь, яку модель має навчитися передбачати.
- Модель (Model): математична функція, що перетворює ознаки на передбачення.
Що таке Machine Learning і навіщо він потрібен
Машинне навчання (Machine Learning, ML) — це підгалузь штучного інтелекту, де програми навчаються з досвіду (даних), замість того щоб слідувати явно запрограмованим правилам. Класичне визначення Тома Мітчелла (1997): «Програма навчається з досвіду E стосовно задачі T з мірою якості P, якщо її продуктивність P на задачі T покращується з досвідом E».
Навіщо це потрібно? Тому що існує величезний клас задач, для яких неможливо або непрактично написати правила вручну:
- Як описати правилами, що робить фотографію «красивою»?
- Як формалізувати, що робить email «спамом» (спамери постійно змінюють тактику)?
- Як вручну написати правила для перекладу з однієї мови на іншу, враховуючи всі граматичні конструкції, ідіоми та контекст?
У всіх цих випадках ефективніше показати системі тисячі прикладів та дозволити їй самій знайти закономірності.
Дані, ознаки та цільова змінна
Щоб зрозуміти ML, потрібно засвоїти три базових поняття:
Дані (data) — це сировина, на якій навчається модель. Це може бути таблиця з числами, колекція зображень, набір текстів або записи аудіо. Якість та обсяг даних прямо впливають на якість моделі. Це як навчальні підручники для студента: чим якісніші та різноманітніші підручники, тим краще студент засвоїть матеріал.
Ознаки (features) — це характеристики об'єкта, які модель використовує для прийняття рішення. Наприклад, для передбачення ціни квартири ознаками можуть бути: площа (м²), кількість кімнат, поверх, район, рік будівництва, наявність ремонту. Вибір правильних ознак — одне з найважливіших рішень в ML.
Цільова змінна (target / label) — це «правильна відповідь», яку модель має навчитися передбачувати. Для передбачення ціни квартири цільова змінна — це фактична ціна. Для класифікації email — це мітка «спам» або «не спам».
Модель і її навчання
Модель (model) — це математична функція, яка приймає ознаки на вхід і генерує передбачення на виході. До навчання модель — це «порожній мозок», який нічого не знає. Під час навчання модель аналізує тисячі прикладів (пари «ознаки → правильна відповідь») та налаштовує свої внутрішні параметри так, щоб максимально точно передбачувати правильну відповідь.
Процес нагадує навчання людини: ви показуєте дитині сотні фотографій котів і собак, кожного разу кажучи «це кіт» або «це собака». Після достатньої кількості прикладів дитина навчиться розрізняти їх, навіть побачивши фото, якого ніколи раніше не бачила. Так само працює ML-модель.
Отримання передбачення
Після навчання модель готова до використання. Ви надаєте їй нові ознаки (наприклад, характеристики квартири), і вона повертає передбачення (prediction) — свою оцінку цільової змінної (наприклад, очікувану ціну).
Важливо розуміти: передбачення — це ймовірнісна оцінка, а не точна відповідь. Модель може помилятися, і ступінь точності залежить від якості даних, правильності вибору ознак та складності задачі.
Практичні завдання
Уявіть, що ви створюєте ML-модель для визначення жанру фільму. Задайте AI запит:
Я хочу зрозуміти Machine Learning на прикладі. Уяви, що ми створюємо модель,
яка визначає жанр фільму (комедія, драма, бойовик) на основі його характеристик.
1. Які ознаки (features) можна використати? Запропонуй 7-8 ознак.
2. Що буде цільовою змінною (target)?
3. Як виглядатиме один рядок навчальних даних?
4. Покажи приклад таблиці з 5 рядками навчальних даних.
5. Як модель використає ці дані для передбачення жанру нового фільму?
Поясни простою мовою, без математичних формул.
Запитання для самоконтролю
Завдання штучного інтелекту
Основні класи задач AI: розпізнавання зображень та мовлення, переклад, рекомендації, прогнозування, пошук закономірностей та створення контенту
Machine Learning Workflow
Повний процес машинного навчання: від постановки задачі через збір та підготовку даних до навчання моделі, оцінки якості та покращення