ЮФУ -- 2026.10.05 -- Как обучаются модели машинного обучения

Это лекция из курса "Технологии и фронтиры в области компьютерных наук и искусственного интеллекта", который читается в Южном федеральном университете осенью 2026 года. Все материалы этой и других лекций курса (слайды, доска, ноутбуки с кодом) размещены по адресу: https://sergeynikolenko.ru/courses/sfedu-data-frontiers-2026 Подписывайтесь на мой телеграм-канал "Sineкура": Разделы: 0:00 Зачем возвращаться к основам обучения 4:10 Что значит «компьютер обучается» 5:04 Потерянный прайс-лист: правило из трёх чеков 7:17 Модель, данные и настраиваемый параметр 9:16 Обучение и применение модели: learning и inference 12:52 Функция ошибки: как определить «лучше» 14:10 Сравниваем предсказания с правильными ответами 16:09 Как измерить промах модели 18:05 Почему ошибки нельзя просто складывать со знаком 21:30 MAE: средний модуль ошибки 23:20 Сначала выбираем модель, затем подбираем параметры 24:57 Ошибка как функция цены страницы 28:18 Тот же пример в Jupyter 31:03 График модели и график её ошибки 34:59 Локальный поиск: переход к лучшему соседу 39:09 Зачем учиться, если известные ответы можно запомнить 42:10 Один датасет, разные продолжения: прямая и многочлен 46:48 Выбор модели и бритва Оккама 49:10 Второй копицентр: два параметра вместо одного 54:10 Выразительность моделей и нейронных сетей 58:27 Оверфиттинг: слишком выразительная модель 1:00:27 Двумерная функция ошибки и перебор b и c 1:02:39 Откуда в реальных данных берутся ошибки 1:08:35 Цветные страницы: неизвестный фактор и шум 1:12:10 Почему нельзя перебрать все параметры 1:14:44 Экспоненциальный рост пространства поиска 1:18:59 Локальный поиск в нескольких измерениях 1:21:06 Вопрос: можно ли подбирать параметры по очереди 1:23:30 Как выбрать направление самого быстрого изменения 1:25:46 Формула Тейлора и интуиция производной 1:27:50 Градиент как вектор частных производных 1:30:09 Шаг в сторону минус градиента 1:33:40 Градиентный спуск в коде: десять шагов к минимуму 1:38:58 Вопросы о моделях и градиентном спуске 1:43:24 Итоги: почему обучение — это оптимизация