Третье занятие курса «Специалист по искусственному интеллекту». Подробный разбор фундаментальных типов машинного обучения: обучения с учителем, обучения без учителя и обучения с подкреплением. Индуктивный и дедуктивный подходы, реальные бизнес-кейсы, проблема переобучения нейросетей на практике и подготовка к первому написанию кода. 00:00 — Что такое искусственный интеллект: границы и размытость термина 01:20 — Машинное обучение (ML): индуктивный подход и обучение по прецедентам 01:52 — Дедуктивное обучение (экспертные системы) против индуктивного (ML) 03:03 — Глубокое обучение (Deep Learning): почему нейросети стали синонимом ИИ 03:55 — Ошибка хакатонов: когда классические неглубокие методы лучше нейросетей 05:08 — Три фундаментальных класса машинного обучения: общая классификация 06:14 — Обучение с учителем (Supervised Learning): суть размеченных данных 08:16 — Задачи обучения с учителем: Регрессия и Классификация 08:44 — Пример задачи регрессии: оценка рыночной стоимости автомобиля 11:30 — Пример задачи классификации: спам-фильтрация писем 14:13 — Интерактивный опрос: разбор примеров регрессии и классификации 15:15 — Обучение без учителя (Unsupervised Learning): работа с неразмеченными данными 19:43 — Пример задачи кластеризации: сегментация базы автомобилей без цен 21:53 — Генеративные алгоритмы и большие языковые модели (LLM) как Unsupervised Learning 23:25 — Интерактивный опрос: разбор примеров обучения без учителя и Semi-supervised методы 25:09 — Обучение с подкреплением (Reinforcement Learning): концепция агента и среды 26:11 — Как обучаются автопилоты: моделирование виртуальной среды 28:27 — Финансовые модели инвестирования как пример обучения с подкреплением 31:01 — Сферы применимости ИИ на практике 31:31 — Подготовка к практической части: организация работы на Google Диск / Google Colab Приветствуем на третьем занятии курса «Специалист по искусственному интеллекту»! В этом видео мы разбираемся с классификацией методов и подходов в Data Science. Вы научитесь четко классифицировать бизнес-задачи по трем основным типам машинного обучения, чтобы безошибочно подбирать под них необходимый стек инструментов. В этой лекции: – Разбор понятийного аппарата: ИИ, Машинное обучение (ML) и Глубокое обучение (Deep Learning). – Индуктивный подход против дедуктивного: почему машинное обучение идет от частных прецедентов к общим закономерностям. – Почему нейросети — это не всегда лучшее решение? Разбираем частую ошибку участников хакатонов, пытающихся применить Deep Learning к задачам, которые эффективнее и дешевле закрываются классическим ML. – Обучение с учителем (Supervised Learning): математическая суть регрессии и классификации на примерах из реальной практики (оценка стоимости автомобилей, спам-фильтрация писем). – Обучение без учителя (Unsupervised Learning): как извлечь пользу из неразмеченных данных с помощью кластеризации и генеративных алгоритмов. – Обучение с подкреплением (Reinforcement Learning): концепция агента, среды и системы наград (ревордов). Как алгоритмы RL управляют беспилотниками и строят инвестиционные стратегии в финансах. – Представление данных: табличная структура, векторный формат, признаки (features) и метки (labels). – Разделение датасета на обучающую, валидационную и тестовую выборки. Как правильно делить данные для исследований (70/30) и для продакшена (60/20/20). – Борьба с переобучением (overfitting) и недообучением (underfitting): работа с графиком сложности модели и метод ранней остановки (Early Stopping). В конце лекции мы подготовим рабочее окружение на Google Диск и обсудим преимущества облачной среды Google Colab перед локальным запуском кода, чтобы на следующем занятии сразу перейти к программированию регрессионных моделей. Сайт автора курса: https://leolukin.ru