Для базового ML с нуля можно реализовать линейную регрессию — простейший алгоритм для предсказаний. Вот минимальный пример на Python: ``` import numpy as np class LinearRegression: def __init__(self): self.weights = None def fit(self, X, y, lr=0.01, epochs=100): # Добавляем bias (смещение) X = np.c_[X, np.ones(X.shape[0])] # Инициализация весов self.weights = np.random.randn(X.shape[1]) # Градиентный спуск for _ in range(epochs): pred = X @ self.weights error = pred - y grad = X.T @ error / len(X) self.weights -= lr * grad def predict(self, X): X = np.c_[X, np.ones(X.shape[0])] return X @ self.weights ``` Ключевые шаги: - Инициализация случайных весов - Расчет предсказаний (линейная комбинация) - Вычисление ошибки (MSE) - Обновление весов через градиентный спуск - Предсказание на новых данных Это основа, которую можно расширять — добавлять регуляризацию, другие функции потерь, нелинейности. Для реальных задач лучше использовать готовые библиотеки (sklearn, TensorFlow), но понимание базовой механики важно.