Machine learning (ML) — это процесс обучения модели на данных для выявления закономерностей и принятия решений без явного программирования. Основные этапы: - **Данные**: Сбор, очистка и подготовка данных (нормализация, кодирование категорий). - **Обучение**: Алгоритм минимизирует функцию потерь, подбирая параметры модели (веса). Например, в линейной регрессии — метод наименьших квадратов. - **Оптимизация**: Градиентный спуск корректирует веса, уменьшая ошибку предсказания. - **Предсказание**: Обученная модель применяется к новым данным. **Пример с кодом (линейная регрессия):** ``` from sklearn.linear_model import LinearRegression import numpy as np # Данные: X — признаки, y — целевая переменная X = np.array([[1], [2], [3]]) y = np.array([2, 4, 6]) # Создание и обучение модели model = LinearRegression() model.fit(X, y) # Предсказание print(model.predict([[4]])) # Выведет ~8 ``` **Ключевые моменты**: - Обучение — поиск оптимальных параметров. - Функция потерь (MSE, кросс-энтропия) оценивает качество. - Градиентный спуск и его вариации (Adam, SGD) оптимизируют параметры.