Программа, которая учится на примерах

В обычном программировании человек пишет правила: «если письмо содержит слово X — это спам». Машинное обучение (ML) переворачивает подход: вместо правил вы даёте программе много примеров (тысячи писем, помеченных «спам»/«не спам»), и она сама находит закономерности, отличающие одно от другого. Модель учится, а не следует заданной логике.

В чём разница

• Обычная программа: человек задаёт правила → программа применяет их.
• ML: человек даёт данные (примеры) → модель выводит правила сама.

Когда ML полезен

ML силён там, где правила слишком сложны или неочевидны, чтобы прописать их вручную: распознавание изображений (как в коде описать «кошку»?), понимание текста, предсказание спроса, рекомендации. Там, где закономерности есть, но их трудно выразить явно, — ML находит их в данных.

ML — это не «магия» и не «мышление»

Важно понимать: ML-модель не «понимает» и не «думает» как человек. Она находит статистические закономерности в данных и применяет их. Это мощно, но у этого есть границы: модель хороша ровно настолько, насколько хороши данные, на которых она училась, и работает плохо на том, что сильно отличается от обучающих примеров. Понимание этой сути защищает от завышенных ожиданий.

Правило курса: ML — это обучение на данных вместо ручных правил. Модель находит закономерности в примерах, но не «думает»; её качество определяют данные.