🧠 От классики к нейросетям #MLSTART

Когда появляется базовое понимание концепций машинного обучения, хочется всё систематизировать: какие вообще бывают задачи, какие под них модели использовать, и как это всё связано между собой.

🔹 На старте стоит разобраться с основными типами задач:

- Классификация - когда нужно определить категорию (например, спам / не спам).
- Регрессия - когда предсказываем числовое значение (например, цену квартиры).
- Кластеризация - когда данных много, но нет меток, и данные нужно как-то группировать.

🔹 Затем логично перейти к ключевым моделям: линейные, деревья, ансамбли. Тут важно не просто “знать названия”, а понимать, в каких случаях каждая из них лучше всего работает, как обучается, какие данные принимает на вход, а также какие сильные и слабые стороны имеет.

📈 Когда этот этап пройден - можно спокойно двигаться к нейронным сетям.

Тут начинается самое интересное: как строится сеть, как она обучается, какие бывают архитектуры, и почему трансформеры стали так популярны.

💡 На самом деле нейронки — это не “что-то отдельное”, а просто логичное продолжение базовых алгоритмов машинного обучения.

Такой постепенный переход - от классики к современным архитектурам - помогает не потеряться и осознанно подойти к следующей теме: LLM (Большие языковые модели).

Вернуться к оглавлению

👩‍💻 Data Flow