Обучение с учителем и без: 3 способа и как выбрать
Вопрос «какую модель взять» почти всегда задают раньше вопроса «а что у нас вообще есть». Между тем именно наличие правильных ответов в данных определяет, каким способом вы сможете учиться. Разобрали три способа обучения, что требуется для каждого и как выбрать между ними за пять минут.
Три термина звучат как академические, но различие между ними чисто практическое и упирается в ваши данные. Обучение с учителем идёт по примерам с правильными ответами, обучение без учителя ищет структуру там, где ответов нет вовсе, а обучение с подкреплением заменяет ответы наградой за поведение в среде.
Терминология сверена по официальной документации scikit-learn, открытой 16 сентября 2026 года, где разделы так и называются: обучение с учителем и обучение без учителя. Дальше по порядку: три способа по разделу на каждый, таблица выбора, где в этот список попадает дообучение больших моделей, чем полуавтоматическая разметка отличается от самообучения и какие ошибки делают на старте.
Главное в одну строку
Способ обучения выбирают не по желанию, а по тому, есть ли в данных правильные ответы и можно ли их получить за разумные деньги.
Часть 1 · Ответ
Три способа обучения за одну минуту
- С учителем. Есть примеры с правильными ответами, модель учится их воспроизводить на новых данных.
- Без учителя. Правильных ответов нет, модель ищет структуру: группы, выбросы, главные направления.
- С подкреплением. Ответов тоже нет, но есть среда и награда, и модель учится действовать так, чтобы награда была больше.
- Четвёртый промежуточный случай. Ответы есть у малой доли примеров, остальное размечается моделью и проверяется людьми.
Часть 2 · С учителем
Как устроено обучение с учителем
Из первоисточника, документация scikit-learn, открыта 16.09.2026
Первый раздел руководства пользователя так и называется: обучение с учителем. В него входят линейные модели, дискриминантный анализ, ядровая гребневая регрессия, метод опорных векторов, стохастический градиентный спуск, ближайшие соседи, гауссовские процессы, наивный байес, деревья решений, ансамбли с градиентным бустингом и случайным лесом, отбор признаков и нейросетевые модели.
- Что нужно на входе. Признаки и правильный ответ у каждого примера.
- Две базовые задачи. Классификация, если ответ это класс, и регрессия, если ответ это число.
- Как проверяется. На отложенной части, которую модель не видела, разбор в гайде про датасеты.
- Где применяется чаще всего. Скоринг, антифрод, прогноз спроса, распознавание объектов, фильтрация писем.
- Главное ограничение. Разметка стоит денег и времени, и именно её объём обычно упирается в потолок проекта.
Часть 3 · Без учителя
Что делает обучение без учителя
- Что нужно на входе. Только признаки, никаких ответов.
- Кластеризация. Разбить объекты на группы по похожести. Модель не знает, как называются группы, и это придётся сделать человеку.
- Поиск аномалий. Найти то, что не похоже на остальное. Работает в антифроде и в контроле оборудования.
- Снижение размерности. Сжать сотни признаков в несколько так, чтобы структура сохранилась.
- Правила совместной встречаемости. Что покупают вместе, что смотрят подряд.
- Главная ловушка. Результат всегда выглядит осмысленно, потому что человек сам достраивает смысл. Проверять его нечем, кроме следующего эксперимента.
Часть 4 · С подкреплением
Обучение с подкреплением и его цена
Здесь модели не показывают правильных действий. Ей дают среду, возможность действовать и число, которое говорит, стало лучше или хуже. Дальше она пробует и постепенно выстраивает поведение, которое приносит больше награды.
- Из чего состоит. Агент, среда, состояние, набор действий, награда.
- Где выстрелило громко. Игры, управление, робототехника, оптимизация расписаний.
- Где выстрелило тихо, но важно. Дообучение языковых моделей на человеческих предпочтениях: именно оно сделало ответы полезными, а не просто вероятными.
- Почему применяется реже двух остальных. Нужна среда, в которой можно безопасно ошибаться миллион раз. В реальном бизнесе такой среды обычно нет.
- Что читать рядом. Про агентов и их отличие от обычной модели в гайде про ИИ-агентов.
Часть 5 · Определитель
Как выбрать способ за пять минут
| Способ | Что нужно иметь | Типичная задача | Как проверяется |
|---|---|---|---|
| С учителем | признаки и ответы | скоринг, классификация, прогноз | на отложенной части |
| Без учителя | только признаки | группы, аномалии, сжатие | следующим экспериментом |
| С подкреплением | среда и награда | управление, игры, предпочтения | по накопленной награде |
| Полуавтоматическое | ответы у малой доли | разметка большого корпуса | выборочной проверкой людьми |
- Быстрое правило. Если ответы есть, берите обучение с учителем. Всё остальное сложнее и хуже проверяется.
- Второе правило. Если ответов нет, но их можно купить у разметчиков за неделю, дешевле купить, чем строить схему без учителя.
Часть 6 · Дообучение
Куда в этой схеме попадает дообучение больших моделей
- Предобучение. Модель учится предсказывать следующий элемент на огромном корпусе. Ответы берутся из самого текста, поэтому размечать ничего не нужно.
- Дообучение на инструкциях. Уже с учителем: пары «запрос и хороший ответ», собранные людьми.
- Дообучение на предпочтениях. С подкреплением: люди сравнивают пары ответов, и модель учится попадать в предпочтение.
- Адаптация под задачу. Небольшой набор ваших примеров поверх готовой модели. Это снова обучение с учителем, просто дешёвое.
- Альтернатива дообучению. Часто нужен не файнтюн, а подача документов в контекст, разбор в гайде про RAG.
Часть 7 · Переобучение
Что такое переобучение и как его заметить
Правило одной строки
Если качество на обучающей части заметно выше, чем на отложенной, модель не выучила закономерность, а запомнила примеры. Лечится это упрощением модели, увеличением данных и регуляризацией, но никогда не подбором ещё одной попытки на том же тесте.
- Как выглядит. Блестящие цифры при обучении и посредственные на новых данных.
- Обратная крайность. Недообучение: модель слишком проста и не улавливает даже очевидное.
- Почему это не про нейросети специально. Ровно та же беда есть у линейной регрессии на трёх точках.
- Самая частая причина в реальных проектах. Не архитектура, а грязный набор данных.
Часть 8 · Ошибки
Пять ошибок, которые делают в первый раз
- Выбирать модель раньше, чем посмотрели данные. Это самая дорогая перестановка шагов.
- Считать кластеризацию ответом. Группы всегда найдутся, вопрос в том, значат ли они что-нибудь.
- Мерить качество точностью при перекосе классов. При соотношении сто к одному постоянный ответ «нет» даёт 99 процентов.
- Брать обучение с подкреплением там, где хватает правил. Среда, награда и миллион попыток обходятся дороже, чем десять условий.
- Дообучать модель вместо того, чтобы дать ей контекст. В большинстве прикладных задач второе решает вопрос за час, первое за месяц.
Часть 9 · Практика
С чего начать, если хочется попробовать самому
- Возьмите таблицу, а не картинки. На табличной задаче видно каждый шаг и ничего не прячется за визуалом.
- Сформулируйте предсказание одной строкой. Что на входе, что на выходе.
- Отложите тестовую часть сразу. До первого обучения, а не после.
- Начните с простой модели. Линейная или дерево дают базовый уровень, относительно которого измеряется всё остальное.
- Усложняйте только если базовый уровень побит. Сложность без выигрыша это просто долгое ожидание.
- Дальше по маршруту. Развилки при создании своей модели собраны в гайде про создание нейросети.
Памятка
Что запомнить про способы обучения
Коротко
- Обучение с учителем идёт по примерам с правильными ответами.
- Обучение без учителя ищет структуру там, где ответов нет.
- Обучение с подкреплением заменяет ответы наградой за поведение в среде.
- Если ответы есть, берут обучение с учителем: оно лучше всех проверяется.
- Кластеризация всегда находит группы, но смысл им придаёт человек.
- Обучение с подкреплением требует среды, где можно безопасно ошибаться миллион раз.
- Предобучение языковых моделей не требует разметки, ответы берутся из самого текста.
- Дообучение на предпочтениях сделало ответы полезными, а не просто вероятными.
- Переобучение это когда модель запомнила примеры вместо закономерности.
- В большинстве прикладных задач контекст решает вопрос быстрее, чем дообучение.
Источники
Что проверялось живьём и когда
- Документация scikit-learn, scikit-learn.org, открыта 16.09.2026: раздел 1 «Supervised learning» с перечнем методов от линейных моделей до нейросетевых и раздел 2 «Unsupervised learning».
- Статья «Attention Is All You Need», arXiv 1706.03762, подана 12 июня 2017 года: архитектура, на которой строится предобучение современных языковых моделей.
- Страница проекта ImageNet, image-net.org, открыта 16.09.2026: 14 197 122 изображения и 21 841 синсет как пример объёма разметки в обучении с учителем.
- Обзорная страница Common Crawl, commoncrawl.org, открыта 16.09.2026: петабайты веб-данных, собираемых регулярно с 2008 года, как пример корпуса для предобучения без ручной разметки.
- Коды ответа с московского адреса без VPN, 16.09.2026: 200 у scikit-learn.org, arxiv.org, image-net.org, commoncrawl.org, huggingface.co.
- Wordstat, Россия, 16.09.2026: обучение с подкреплением 2 188, обучение без учителя 1 743, методы обучения без учителя 398, обучение с подкреплением и с учителем 437, к обучению без учителя относятся 256.
- Выдача Яндекса по запросу «обучение с учителем и без учителя», 16.09.2026: habr.com, data-light.ru, sberbs.ru, selectel.ru, sky.pro, neerc.ifmo.ru, cs.mipt.ru, thecode.media, developers.sber.ru, skillfactory; Википедия тринадцатой.
Чего тут нет намеренно: формул функций потерь и разбора конкретных алгоритмов по шагам. Они есть в документации библиотек в актуальном виде, а статья всё равно устареет. Готовых цифр «сколько примеров нужно» тоже нет: они зависят от числа классов, качества разметки и сложности задачи так сильно, что среднее значение вводит в заблуждение.
FAQ
Частые вопросы
Чем обучение с учителем отличается от обучения без учителя
Наличием правильных ответов в данных. При обучении с учителем у каждого примера есть эталонный ответ, и модель учится его воспроизводить на новых данных. При обучении без учителя ответов нет, и модель ищет структуру: группы похожих объектов, выбросы, главные направления изменчивости.
Что такое обучение с подкреплением
Это способ обучения, где модель не получает правильных действий, а действует в среде и получает награду. Из компонентов есть агент, среда, состояние, набор действий и число награды. Агент пробует и постепенно выстраивает поведение, которое приносит больше награды на длинной дистанции.
Какой способ обучения выбрать для моей задачи
Проверьте, есть ли у вас правильные ответы. Если есть, берите обучение с учителем: оно проще и лучше проверяется. Если ответов нет, но их можно купить у разметчиков за неделю, дешевле купить. Обучение с подкреплением берут только там, где есть среда для безопасных ошибок.
Что относится к обучению без учителя
Кластеризация, то есть разбиение на группы по похожести. Поиск аномалий. Снижение размерности, когда сотни признаков сжимаются в несколько с сохранением структуры. Поиск правил совместной встречаемости, например что покупают вместе. Общее у них одно: эталонных ответов в данных нет.
Как обучают большие языковые модели
В три этапа. Предобучение на огромном корпусе, где ответы берутся из самого текста и размечать ничего не нужно. Дообучение на инструкциях, то есть на парах запроса и хорошего ответа, собранных людьми. Дообучение на предпочтениях, где люди сравнивают пары ответов и модель учится попадать в предпочтение.
Что такое переобучение
Это ситуация, когда модель запомнила обучающие примеры вместо того, чтобы выучить закономерность. Заметить просто: качество на обучающей части заметно выше, чем на отложенной. Лечится упрощением модели, увеличением объёма данных и регуляризацией, но никогда не подбором очередной попытки на том же тесте.
Нужно ли дообучать модель под свою задачу
В большинстве прикладных случаев нет. Сначала стоит попробовать дать модели нужные документы в контекст: это занимает час и решает большую часть задач вроде ответов по своей базе знаний. Дообучение оправдано, когда нужен устойчивый стиль или формат, которого не добиться инструкцией.
Почему точность бывает обманчивой метрикой
При сильном перекосе классов. Если из ста примеров один относится к редкому классу, модель, которая всегда отвечает «обычный», даст девяносто девять процентов точности и нулевую пользу. В таких задачах смотрят на полноту, точность по редкому классу и их сочетание, а не на общую долю верных ответов.
Что такое полуавтоматическая разметка
Это промежуточный случай, когда правильные ответы есть у небольшой доли примеров. Модель обучается на них, размечает остальное, а люди выборочно проверяют результат и исправляют ошибки. Такой цикл повторяется несколько раз и заметно дешевле полной ручной разметки большого корпуса.
С чего начать, если хочется попробовать обучение самому
С табличной задачи, а не с картинок: там видно каждый шаг. Сформулируйте предсказание одной строкой, сразу отложите тестовую часть, обучите простую модель вроде дерева и получите базовый уровень. Усложнять имеет смысл только после того, как базовый уровень измерен.
Читать дальше
Платформа и сообщество, где я по шагам показываю, как поставить ИИ на рутину: контент, код, продажи, аналитика. Заходи и забирай рабочие связки, которыми пользуюсь сам.
Посмотреть, что внутриtelegram
Канал с полезными материалами про нейросети
Разборы, новые инструменты и приёмы по ИИ — то, чем пользуюсь сам, без воды. Подпишись, чтобы не потерять.
