0Pricing
Machine Learning Academy · Урок

Традиционное программирование и машинное обучение

Слушатели сопоставят программирование на основе правил с обучением на основе данных и поймут, почему машинное обучение превосходит логику, заданную вручную, в задачах распознавания закономерностей.

«Традиционное программирование и машинное обучение» — бесплатный урок Machine Learning Academy на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Machine Learning Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Machine Learning Academy содержит 4 уроков всего.

Части этого урока еще не переведены и отображаются на английском.

What Is Traditional Programming?

В традиционном программировании вы вручную прописываете каждое правило, а компьютер им следует. Это отлично работает, когда правила ясны, но становится невозможным при решении запутанных задач.

Rules-Based Systems and Their Limits

Спам-фильтр, основанный на правилах, — это просто длинная цепочка операторов if. В чем проблема? Спамеры адаптируются, записывая fr33 вместо free, и ваши правила приходится обновлять бесконечно.

# Traditional rules-based spam filter
def is_spam_traditional(email_text):
    spam_words = ['free', 'winner', 'click here', 'buy now']
    for word in spam_words:
        if word in email_text.lower():
            return True
    return False

print(is_spam_traditional('You are a WINNER! Click here for free stuff'))
# Output: True
print(is_spam_traditional('fr33 stuff for you!'))
# Output: False  -- fails on obfuscated spam

How Machine Learning Flips the Paradigm

Машинное обучение меняет правила игры: вместо того чтобы прописывать алгоритмы, вы предоставляете модели множество примеров с правильными ответами, и она самостоятельно выводит правила.

# The ML paradigm shift
# Traditional: Input + Rules -> Output
# ML:          Input + Output -> Rules (learned automatically)

# Pseudocode conceptual example
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

emails = ['Free money now', 'Meeting at 3pm', 'Win a prize', 'Project update']
labels = [1, 0, 1, 0]  # 1=spam, 0=not spam

vectorizer = CountVectorizer()
X = vectorizer.fit_transform(emails)

model = MultinomialNB()
model.fit(X, labels)  # model learns the rules from data

Data as the New Source of Intelligence

The fuel for machine learning is labeled data — examples where you know the right answer. The more good data you have, the more the model can learn.

When Traditional Programming Still Wins

ML isn't always the answer. Stick with traditional code when the rules are clear and stable, when you have very little data, or when you need fully predictable behaviour.

Pattern Recognition: Where ML Shines

ML really shines at pattern recognition — spotting a cat in a photo, flagging fraud, recognising speech. These patterns are too subtle to spell out by hand.

The Learning Process in Brief

At its core, a model learns by minimising error: it guesses, sees how wrong it was, and adjusts — like fixing your aim after each dart throw. 🎯

# Conceptual training loop
import numpy as np

# Simulate a simple learning process
learning_rate = 0.1
weight = 0.0  # start with a random guess

for epoch in range(10):
    prediction = weight * 2.0
    target = 5.0
    error = target - prediction
    weight += learning_rate * error  # adjust based on error
    print(f'Epoch {epoch+1}: weight={weight:.3f}, error={error:.3f}')

Key Vocabulary: Model, Training, Inference

Three words you'll use a lot: a model maps inputs to outputs, training teaches it from examples, and inference is using it on new data.

Generalisation: The True Goal

The real goal of ML is generalisation — doing well on new, unseen data, not just memorising the training set. That's why we always test on fresh data.

A Concrete Comparison Side by Side

Predicting house prices? Traditional code uses a human's guessed formula. An ML model instead learns the right weights straight from real sales data.

# Traditional: hand-coded formula
def price_traditional(bedrooms, bathrooms, sqft):
    return 100000 + bedrooms * 50000 + bathrooms * 30000 + sqft * 150

# ML: coefficients learned from data
from sklearn.linear_model import LinearRegression
import numpy as np

# Training data (bedrooms, bathrooms, sqft)
X_train = np.array([[3, 2, 1500], [4, 3, 2000], [2, 1, 900]])
y_train = np.array([300000, 450000, 180000])

model = LinearRegression()
model.fit(X_train, y_train)  # learns coefficients from data
print('Learned coefficients:', model.coef_)

Why ML Is Transforming Every Industry

ML is booming because three things lined up: massive data, cheap powerful hardware (GPUs), and free open-source tools that put it in everyone's hands.

Quick Check

Test your understanding of Machine Learning with Python concepts from this lesson.

Lesson Recap

Great start! Traditional code follows hand-written rules, ML learns rules from labeled data, and its true goal is generalising — not memorising. Next: the types of ML.

Часто задаваемые вопросы

Урок «Традиционное программирование и машинное обучение» бесплатный?

Да — полный текст урока «Традиционное программирование и машинное обучение» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Machine Learning Academy, подпишись на CoddyKit PRO. Курс Machine Learning Academy содержит 4 уроков всего.

Чему я научусь в уроке «Традиционное программирование и машинное обучение»?

Слушатели сопоставят программирование на основе правил с обучением на основе данных и поймут, почему машинное обучение превосходит логику, заданную вручную, в задачах распознавания закономерностей. Ты практикуешь Machine Learning Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать Machine Learning Academy?

Предыдущий опыт не требуется. Machine Learning Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.

Сколько времени занимает урок «Традиционное программирование и машинное обучение»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке Machine Learning Academy?

Да. Каждый урок Machine Learning Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

  1. Традиционное программирование и машинное обучение
  2. Обучение с учителем, без учителя и с подкреплением
  3. Рабочий процесс машинного обучения: от данных к предсказанию
  4. Машинное обучение в реальном мире: варианты применения и ограничения
← Назад к Machine Learning Academy