# Обучение с учителем и без

> Основное деление задач машинного обучения — по размеченным примерам (классификация, регрессия) и без разметки (кластеризация, понижение размерности), плюс промежуточные виды.

Источник: https://llmdocs.ru/wiki/supervised-unsupervised/ · обновлено 2026-11-09 · лицензия CC BY-SA 4.0

- **Обучение с учителем**: классификация, регрессия, ранжирование
- **Обучение без учителя**: кластеризация, понижение размерности, поиск аномалий
- **Промежуточные виды**: частичное (semi-supervised), самообучение (self-supervised)
- **Отдельная парадигма**: обучение с подкреплением
- **Типичные библиотеки**: scikit-learn, PyTorch, XGBoost
**Обучение с учителем** (англ. *supervised learning*) и **обучение без учителя** (*unsupervised learning*) — две основные постановки задач [машинного обучения](https://llmdocs.ru/wiki/machine-learning.md), различающиеся наличием «правильных ответов» в данных. В первом случае у каждого примера есть метка (цена квартиры, «спам / не спам»), и модель учится предсказывать её по признакам. Во втором меток нет, и модель ищет структуру в самих данных: группы похожих объектов, скрытые факторы, выбросы.[3]

## Обучение с учителем

Данные — пары «признаки → ответ» $(x_i, y_i)$. Модель подбирает функцию $f(x) \approx y$, минимизируя ошибку на обучающей выборке, а качество проверяется на отложенных примерах, которых модель не видела.[1]

| Задача | Ответ | Примеры | Типичные модели |
|---|---|---|---|
| Классификация | класс | спам-фильтр, диагноз, тональность отзыва | логистическая регрессия, бустинг, нейросети |
| Регрессия | число | цена, спрос, время доставки | линейная регрессия, бустинг |
| Ранжирование | порядок | поисковая выдача, рекомендации | LambdaMART, двухбашенные сети |

Главная трудность — **разметка**: её нужно собрать (логи, ручная разметка, краудсорсинг), и она бывает дорогой, шумной и смещённой. Вторая — **обобщение**: модель должна работать на новых данных, а не запоминать обучающие; см. [Переобучение и регуляризация](https://llmdocs.ru/wiki/overfitting-regularization.md). Качество классификаторов измеряют специальными метриками — см. [Метрики качества классификации](https://llmdocs.ru/wiki/classification-metrics.md).

## Обучение без учителя

Данные — только признаки $x_i$. Основные задачи:[2]

- **Кластеризация** — разбить объекты на группы похожих: сегменты клиентов, темы документов. Алгоритмы: k-means, DBSCAN, иерархическая кластеризация.
- **Понижение размерности** — сжать сотни признаков до нескольких, сохранив структуру: PCA для предобработки, t-SNE и UMAP для визуализации.
- **Поиск аномалий** — найти нетипичные объекты: мошеннические транзакции, сбои оборудования (Isolation Forest, One-Class SVM).
- **Оценка плотности и порождающие модели** — описать распределение данных, чтобы генерировать новые примеры.

Оценивать такие модели сложнее: «правильного» разбиения на кластеры нет, и качество часто проверяют косвенно — по пользе для последующей задачи или экспертной оценкой.

```python
from sklearn.cluster import KMeans
from sklearn.linear_model import LogisticRegression

# без учителя: группы клиентов по поведению
segments = KMeans(n_clusters=5, n_init="auto").fit_predict(X)

# с учителем: предсказать отток по размеченной истории
clf = LogisticRegression(max_iter=1000).fit(X_train, y_train)
print(clf.score(X_test, y_test))
```

## Промежуточные виды

- **Частичное обучение** (semi-supervised) — мало размеченных примеров и много неразмеченных; неразмеченные помогают уточнить границы классов (псевдоразметка, распространение меток).
- **Самообучение** (self-supervised) — метки извлекаются из самих данных: предсказать пропущенное слово, следующий токен, закрытый фрагмент картинки. Формально это обучение с учителем, но без ручной разметки. Именно так предобучаются [трансформеры](https://llmdocs.ru/wiki/transformer.md) — BERT учился восстанавливать замаскированные слова[5], а [большие языковые модели](https://llmdocs.ru/wiki/llm.md) — предсказывать следующий [токен](https://llmdocs.ru/wiki/tokenization.md) на триллионах слов. Побочный продукт такого обучения — [эмбеддинги](https://llmdocs.ru/wiki/embedding.md), полезные для других задач.
- **Слабая разметка** (weak supervision) — метки из эвристик и правил, заведомо неточные, но дешёвые.

## Обучение с подкреплением

Отдельная парадигма: агент действует в среде и получает награду, а не правильный ответ на каждый шаг. Применяется в играх, робототехнике и для дообучения языковых моделей по человеческим предпочтениям (RLHF).[6] Современный путь LLM сочетает все виды: самообучение на текстах, обучение с учителем на примерах диалогов и подкрепление по оценкам.

## Как выбрать постановку

Если есть ответ, который нужно предсказывать, и его можно получить для достаточного числа примеров, — это задача с учителем, и она почти всегда решается точнее. Обучение без учителя применяют для разведочного анализа, когда метки недоступны, или как этап подготовки признаков.[4]

## См. также

- [Машинное обучение](https://llmdocs.ru/wiki/machine-learning.md)
- [Переобучение и регуляризация](https://llmdocs.ru/wiki/overfitting-regularization.md)
- [scikit-learn](https://llmdocs.ru/wiki/scikit-learn.md)
- [Метрики качества классификации](https://llmdocs.ru/wiki/classification-metrics.md)
- [Эмбеддинг](https://llmdocs.ru/wiki/embedding.md)

## Источники

1. [scikit-learn — Supervised learning](https://scikit-learn.org/stable/supervised_learning.html)
2. [scikit-learn — Unsupervised learning](https://scikit-learn.org/stable/unsupervised_learning.html)
3. [Hastie, Tibshirani, Friedman — The Elements of Statistical Learning](https://hastie.su.domains/ElemStatLearn/)
4. [Google — Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)
5. [Devlin et al. — BERT: Pre-training of Deep Bidirectional Transformers (2018)](https://arxiv.org/abs/1810.04805)
6. [Ouyang et al. — Training language models to follow instructions with human feedback (2022)](https://arxiv.org/abs/2203.02155)