Как модель обучается на данных
Во время обучения настраиваются параметры или иные элементы модели. Полученное решение затем применяют к входам, которые не обязательно совпадают с примерами, использованными при настройке.
Например, модель может по характеристикам операции оценивать вероятность ошибки. Её полезность определяется работой на новых операциях, а не способностью воспроизвести ответы на уже знакомом наборе.
Примеры, закономерности и новая выборка
Закономерность в обучающих данных может быть полезной или случайной. Если модель запомнила особенности небольшой выборки, результат на новых данных способен заметно ухудшиться.
Поэтому качество проверяют на отделённых примерах с учётом зависимостей и времени. Дубли или сведения из будущего могут сделать оценку искусственно высокой и скрыть слабость решения.
Обучение с учителем и другие способы
В обучении с учителем используются примеры с целевыми ответами. Другие способы позволяют искать структуру без таких ответов или настраивать поведение через взаимодействие и обратную связь.
Не всякое обучение требует ручной метки для каждой записи. Выбор подхода зависит от задачи, доступных данных и возможности получить достаточно надёжный сигнал для настройки модели.
Машинное обучение, ИИ и нейросети
Машинное обучение входит в область искусственного интеллекта, а нейронные сети представляют один из классов моделей машинного обучения. Эти термины связаны, но не являются взаимозаменяемыми названиями любого алгоритма.
Добавление новых данных не гарантирует улучшения. Несоответствующие примеры, ошибки и изменение условий могут ухудшить результат, поэтому обновлённую модель проверяют относительно предыдущей версии и нужного рабочего сценария.