{"canonical_url":"https://engineer.company/uk/glossary/machine-learning/","content_markdown":"# Машинне навчання\n\n## Що це таке\n\nМашинне навчання (machine learning) — це створення програм, які вчаться\nвиконувати завдання на прикладах, а не за правилами, заздалегідь записаними\nпрограмістом. Програмі показують багато випадків, для яких відповідь уже відома.\nВона знаходить зв'язок між вхідними даними й відповідями, а потім за цим\nзв'язком передбачає відповідь для кожного нового випадку. Сам термін старший за\nмайже все програмне забезпечення, яке його сьогодні використовує: А. Л. Семюел\n(A. L. Samuel) виніс його в назву дослідження гри в шашки, яке журнал IBM\nJournal of Research and Development надрукував у липні 1959 року.\n\nНайпростіше розібратися з поняттями на прикладі scikit-learn, бібліотеки для\nPython з відкритим кодом; саме її документації дотримується ця стаття. Приклади\nзберігаються в таблиці. Кожен рядок — це одне спостереження (у scikit-learn його\nназивають sample): рахунок, клієнт чи показ датчика. Кожен стовпець — ознака\n(feature), тобто число, що описує спостереження. Відповідь, яку програма має\nнавчитися давати, називається цільовою змінною (target). Те, що навчається, у\nscikit-learn зветься оцінювачем (estimator). Кожен оцінювач має метод `fit`,\nякий навчається на показаних йому рядках. Оцінювачі, що виконують прогнозування,\nвикористовують `predict`, щоб давати відповіді для нових рядків, а перетворювачі\nвикористовують `transform`, щоб отримати перетворену таблицю спостережень.\n\nБільшість задач належить до однієї з двох груп. У навчанні з учителем кожен\nнавчальний рядок має свою цільову змінну. Якщо це категорія, наприклад «оплачено\nвчасно» чи «оплачено із запізненням», задача називається класифікацією. Якщо це\nкількість, наприклад число днів до оплати, — регресією. У навчанні без учителя\nцільової змінної немає взагалі, і програма сама шукає структуру в даних,\nскажімо, об'єднує в групи клієнтів зі схожою поведінкою. У документації\nscikit-learn кожна з двох груп має окремий розділ, а за ними йде розділ про\nвибір моделі та її оцінювання. Саме там і криється більшість практичних\nтруднощів.\n\nВодночас машинне навчання не є назвою для будь-якої програми, що здається\nрозумною. Правило, яке позначає кожен рахунок понад певну суму, написала людина,\nі воно робить рівно те, що в ньому записано. Модель, яка позначає рахунки,\nвивела своє правило з минулих рахунків сама. Тому вона може помилятися так, як\nніхто не передбачав, і змінює поведінку щоразу, коли змінюються дані, на яких\nвона навчається.\n\n## Чому це важливо\n\nДеякі завдання набагато легше показати, ніж описати. Ніхто не напише вичерпного\nправила, які рахунки оплатять із запізненням, але більшість компаній має роки\nрахунків, де зафіксовано, чим усе скінчилося. Машинне навчання перетворює цю\nісторію на робоче правило і може зробити це для багатьох подібних питань\nодночасно. Тому воно й перейшло з лабораторій у звичайні бізнесові програми.\n\nЗворотний бік у тому, що тепер роботу коду виконують дані. Якщо в історії є\nпомилки, дублікати чи прогалини, модель вивчить і їх, а в коді цього не видно.\nД. Скаллі (D. Sculley) і дев'ятеро його колег із Google описали наслідки в\nстатті *Hidden Technical Debt in Machine Learning Systems*, опублікованій у\nзбірнику конференції NIPS 2015 року; її тема — технічний борг. На першому\nрисунку статті сам код машинного навчання намальовано маленькою чорною скринькою\nпосеред значно більшої системи, а підпис називає інфраструктуру навколо неї\nвеличезною і складною. В одному місці автори оцінюють, що зріла система може\nскладатися щонайбільше на 5 відсотків з коду машинного навчання і щонайменше на\n95 відсотків з клейового коду (glue code), який лише переносить дані до\nпрограмних пакетів загального призначення і назад.\n\nАвтори також доводять, що залежність від даних обходиться дорожче, ніж\nзалежність від коду. Компілятори та системи збирання відстежують, який код від\nякого залежить, а подібні інструменти для даних трапляються значно рідше. Тож\nстовпець може непомітно змінити своє значення, і цього ніхто не зауважить. Ще\nвони дають назву принципу CACE, «Changing Anything Changes Everything»: варто\nзмінитися розподілу однієї вхідної ознаки, і може змінитися те, як модель\nвикористовує всі інші.\n\nОтже, модель дешево створити й дорого підтримувати. Те, чи буде від неї користь,\nздебільшого залежить від даних: звідки вони беруться, чи кожен клієнт записаний\nодин раз, а не тричі, чи правильно зафіксовано результат і хто помітить, коли\nсистема вище за ланцюжком почне надсилати щось інше.\n\n## Як це виглядає на практиці\n\nУявімо компанію, яка хоче вже в день виставлення рахунку знати, чи його,\nімовірно, оплатять із запізненням. Тоді хтось зможе зателефонувати клієнтові до\nнастання строку оплати, а не після нього. У вивантаженні є по одному рядку на\nкожен минулий рахунок, відсортовані за датою виставлення, і чотири стовпці,\nвідомі вже в день, коли рахунок надіслали: сума, кількість днів відстрочки,\nскільки рахунків клієнт отримав за попередній рік і скільки з них оплатив із\nзапізненням. П'ятий стовпець показує, чим усе скінчилося: 1, якщо рахунок\nоплачено із запізненням, і 0, якщо вчасно.\n\nСкрипт нижче написано для цієї статті й рядок за рядком звірено з документацією\nscikit-learn 1.9.1 та NumPy 2.5 у жовтні 2026 року. Він навчає модель на\nнайстаріших трьох чвертях рахунків і перевіряє її на найновішій чверті:\n\n```python\n# invoices.csv: рядок на рахунок, відсортовано за датою, лише числа.\n# Останній стовпець: 1, якщо рахунок оплачено із запізненням, інакше 0.\nimport numpy as np\nfrom sklearn.dummy import DummyClassifier\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import balanced_accuracy_score\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import make_pipeline\nfrom sklearn.preprocessing import StandardScaler\n\ndata = np.loadtxt(\"invoices.csv\", delimiter=\",\", skiprows=1)\nX, y = data[:, :-1], data[:, -1].astype(int)\n\n# Відкладаємо найновішу чверть: на ній ніщо не навчається.\nX_old, X_new, y_old, y_new = train_test_split(\n    X, y, test_size=0.25, shuffle=False\n)\n\nmodel = make_pipeline(StandardScaler(), LogisticRegression())\nbaseline = DummyClassifier(strategy=\"most_frequent\")\nfor name, candidate in [(\"model\", model), (\"baseline\", baseline)]:\n    candidate.fit(X_old, y_old)\n    score = balanced_accuracy_score(y_new, candidate.predict(X_new))\n    print(name, round(score, 3))\n```\n\nЧотири рішення в ньому важать більше, ніж вибір алгоритму.\n\n**Найновішу чверть відкладено ще до того, як щось навчається.** З\n`shuffle=False` функція `train_test_split` зберігає порядок рядків і кладе\nостанні з них у тестову вибірку. Отже, модель вчиться на старіших рахунках, а\nоцінюють її на новіших, тобто так само, як її використовуватимуть насправді. Зі\nзначенням за замовчуванням, `shuffle=True`, поділ був би випадковим, і модель\nчастково перевіряли б на рахунках, старших за деякі з тих, на яких вона вчилася.\n\n**Масштабування вбудовано в конвеєр.** `StandardScaler` віднімає від кожної\nознаки її середнє значення і масштабує її до одиничної дисперсії. Оскільки\n`make_pipeline` з'єднує масштабування з класифікатором, середнє та дисперсію\nобчислюють лише за навчальними рядками, і ніщо з найновішої чверті не\nпросочується в модель.\n\n**Оцінка — це збалансована точність (balanced accuracy).** Для кожного з двох\nкласів рахують частку прикладів, які модель визначила правильно, тобто спіймані\nпрострочені рахунки і розпізнані вчасні, а потім беруть середнє. Якщо із\nзапізненням оплачують кожен десятий рахунок, звичайна точність винагороджує\nмодель, яка щоразу відповідає «вчасно». Збалансована точність цього не робить.\n\n**Модель має перевершити базову.** `DummyClassifier` зі\n`strategy=\"most_frequent\"` ігнорує всі ознаки й завжди відповідає найпоширенішим\nкласом. За збалансованою точністю він отримує 0,5 для двох класів, бо вгадує\nкожен вчасний рахунок і пропускає кожен прострочений. Якщо модель не випереджає\nйого помітно, вона не навчилася нічого корисного, хоч якою гарною виглядає її\nзвичайна точність.\n\nУсе це не врятує модель від поганих рядків. Якщо той самий клієнт записаний як\nтри різні записи, кількість його прострочених рахунків розпадається на три\nчастини, і модель вчиться на історії, якої ніколи не було. Наша сторінка\n[Підготовка даних для ШІ](/uk/services/ai-data/) присвячена саме цій підготовчій\nроботі: щоб кожен клієнт існував в одному записі, щоб кожен працівник мав доступ\nлише до того, що йому належить бачити, і щоб будь-яку відповідь можна було\nзвести до даних, на яких вона ґрунтується. Для моделі саме останнє дає змогу\nпройти назад від дивного прогнозу до рядків, які його породили.\n\n## Де виникають проблеми\n\n**У навчання потрапляє інформація з майбутнього.** Посібник scikit-learn про\nпоширені пастки називає це витоком даних (data leakage): модель будують на\nінформації, якої не буде в момент прогнозу. У прикладі з рахунками спокусливий\nдодатковий стовпець — кількість надісланих нагадувань про оплату. Він чудово\nпередбачає запізнення, бо нагадування надсилають лише тоді, коли рахунок уже\nпрострочено. Той самий витік стається непомітніше, коли масштабування чи\nзаповнення пропущених значень налаштовують на всіх рядках ще до поділу, і\nправило посібника — ніколи не викликати `fit` на тестових даних. Рішення:\nзаписати для кожного стовпця, коли саме стає відоме його значення, спершу\nподілити дані й тримати всю попередню обробку всередині конвеєра, щоб її\nналаштовували лише на навчальних рядках.\n\n**Модель оцінюють на тому, що вона вже бачила.** Модель, яка просто повторювала\nб відповіді, на яких її навчили, отримала б ідеальний результат на власних\nнавчальних рядках і була б марною для всього нового. Посібник про перехресну\nперевірку (cross-validation) називає це перенавчанням (overfitting).\nПідступніший варіант — перепробувати багато налаштувань і залишити те, що\nнайкраще працює на відкладених рядках, бо тоді знання саме про ці рядки\nпросочується у вибір. Натомість порівнюйте налаштування перехресною перевіркою\nна навчальній частині: рядки ділять на кілька блоків (folds), і кожен блок по\nчерзі стає тестовим. На відкладені рядки дивіться один раз, наприкінці.\n\n**Висока точність, якої досягла б і константа.** Коли один клас рідкісний,\nточність визначає переважно поширений клас. Посібник попереджає, що за рідкісних\nкласів, як-от у виявленні шахрайства, у блоці може не опинитися жодного прикладу\nрідкісного класу. Наводьте збалансовану точність або інший показник для кожного\nкласу окремо, порівнюйте з `DummyClassifier` і використовуйте стратифіковані\nблоки, які зберігають частки класів приблизно однаковими в кожному блоці.\n`cross_val_score` бере їх за замовчуванням для класифікатора, коли йому\nпередають кількість блоків.\n\n**Випадковий поділ даних, що змінюються в часі.** Посібник про перехресну\nперевірку зазначає, що припущення про незалежні й однаково розподілені\nспостереження на практиці виконується рідко, а дані, впорядковані в часі, слід\nперевіряти на спостереженнях, пізніших за ті, на яких модель навчалася.\nВипадковий поділ дозволяє моделі зазирнути в майбутнє і дає результат, якого\nвона в роботі не досягне. Діліть за датою, як у прикладі, а для перехресної\nперевірки беріть поділ, що враховує час, наприклад `TimeSeriesSplit`, у якому,\nза посібником, кожен блок має охоплювати однаковий проміжок часу.\n\n**Попередня обробка під час навчання і в роботі різна.** Якщо модель вчилася на\nмасштабованих ознаках, а робоча система надсилає сирі числа, прогнози будуть\nхибними, і жодної помилки ніхто не побачить. Посібник про пастки вимагає, щоб\nкожне перетворення, застосоване під час навчання, так само застосовувалося до\nтестових даних і до даних у промисловій експлуатації. Передавайте в роботу\nналаштований конвеєр як один об'єкт, а не модель із приміткою, що спершу зробити\nз даними.\n\n**Світ змінюється після запуску.** Модель, навчена на торішніх рахунках,\nприпускає, що клієнти поводяться так само, як тоді. Скаллі та співавтори радять\nстежити за зміщенням прогнозів (prediction bias): у системі, яка працює як\nзадумано, розподіл передбачених міток зазвичай має збігатися з розподілом\nфактично спостережених, і розрив між ними часто стає першою ознакою того, що\nсвіт змінився. Постійно робіть це порівняння, перенавчайте модель на свіжих\nданих і тримайте заморожену версійовану копію кожного вхідного сигналу, яким\nволодіє інша команда, щоб добра за намірами зміна вище за ланцюжком не змінила\nвашу модель непомітно.\n\n## Що почитати далі\n\n- [User Guide](https://scikit-learn.org/stable/user_guide.html)\n  — довідник scikit-learn про навчання з учителем і без учителя, а також про\n  вибір моделі та її оцінювання, розділ за розділом.\n- [Getting Started](https://scikit-learn.org/stable/getting_started.html)\n  — спільний інтерфейс оцінювачів у коротких прикладах: навчання і прогноз,\n  перетворювачі, ланцюжки кроків і перехресна перевірка.\n- [Common pitfalls and recommended practices](https://scikit-learn.org/stable/common_pitfalls.html)\n  — неузгоджена попередня обробка, витік даних і випадковість, з хибним і\n  правильним підходом поруч у коді.\n- [Cross-validation: evaluating estimator performance](https://scikit-learn.org/stable/modules/cross_validation.html)\n  — чому перевірка на навчальних даних вводить в оману і який поділ пасує для\n  згрупованих, незбалансованих чи впорядкованих у часі даних.\n- [Hidden Technical Debt in Machine Learning Systems](https://papers.nips.cc/paper_files/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html)\n  — Скаллі та колеги з Google, NIPS 2015, про те, чого коштує експлуатація\n  моделі понад саму модель.\n\n\u003chttps://engineer.company/uk/glossary/machine-learning/\u003e\n","date_modified":"2026-11-09T21:50:25Z","description":"Як програма вчиться на прикладах виконувати завдання, як виглядає перша модель на даних про рахунки і які помилки змушують її здаватися кращою, ніж вона є.","formats":{"gemtext":"https://engineer.company/uk/glossary/machine-learning/index.gmi","gopher":"https://engineer.company/uk/glossary/machine-learning/gophermap","html":"https://engineer.company/uk/glossary/machine-learning/","json":"https://engineer.company/uk/glossary/machine-learning/index.json","markdown":"https://engineer.company/uk/glossary/machine-learning/index.md","pdf":"https://engineer.company/uk/glossary/machine-learning/index.pdf"},"kind":"page","language":"uk","title":"Що таке машинне навчання?","url":"https://engineer.company/uk/glossary/machine-learning/","version":1}