[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-supervised-learning::ru":3,"gloss-cluster-supervised-learning::ru":23,"gloss-next-supervised-learning::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"supervised-learning","core-ai","Обучение с учителем","Обучение с учителем — постановка, в которой к каждому обучающему примеру приложен ответ. Вы передаёте модели пары: письмо и метку «спам», запись о клиенте и факт его ухода, фотографию и объект на ней, — а обучение подстраивает модель, пока её предсказания не совпадут с заданными ответами настолько, чтобы обобщаться на невиданные примеры. Это самая коммерчески распространённая форма машинного обучения, потому что большинство бизнес-вопросов естественно имеет именно такую форму: по тому, что мы знаем об объекте, предскажи интересующее нас поле. Два подтипа — классификация, где ответ является категорией, и регрессия, где он является числом. Выбор между ними обычно очевиден, но граница важна для того, как вы оцениваете результат: точность (accuracy) — разумная мера для сбалансированной классификации и грубо обманчивая, когда 98% примеров принадлежат одному классу; тогда модель, всегда предсказывающая большинство, выглядит великолепно и бесполезна. При перекошенных классах — а в бизнес-данных они перекошены почти всегда — вас на самом деле интересуют precision, recall и компромисс между ними. Цена обучения с учителем — это метки, и здесь практическое узкое место. Кто-то должен определить эталонный ответ для тысяч примеров, последовательно, включая неоднозначные, — а непоследовательная разметка ставит жёсткий потолок достижимой точности, который не поднимет никакой выбор модели. Команды систематически это недооценивают: обычная разница между работающим классификатором и заброшенным — качество разметки, а не архитектура модели. Там, где метки уже существуют как побочный продукт продукта, обучение с учителем становится дешёвым. Тикеты поддержки, которые агенты уже категоризировали; письма, которые пользователи уже пометили как спам; счета, которые кто-то уже завёл руками; подписки, которые уже отменились или нет, — каждый такой набор представляет собой размеченный датасет, за который вам не пришлось платить. Заметить эту бесплатную «учительскую» разметку, спрятанную в собственной базе, — самый рычажный ход из доступных, и это обычно упражнение в продуктовом мышлении, а не в машинном обучении.","Обучение с учителем идёт по примерам с приложенным ответом, и потолок точности обычно задаёт качество разметки, а не выбор модели.",null,[11,14,17,20],{"slug":12,"name":13},"golden-dataset","Золотой датасет",{"slug":15,"name":16},"machine-learning","Машинное обучение (ML)",{"slug":18,"name":19},"overfitting","Переобучение (Overfitting)",{"slug":21,"name":22},"unsupervised-learning","Обучение без учителя",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]