Machine Learning на курсі: що роблять підлітки

Коротко: на курсі Python Pro підлітки не пишуть нейромережі з нуля — вони збирають дані, чистять їх і навчають готову модель. У програмі Python Pro це 3 теми з 14: основи Machine Learning, нейронні мережі на практиці й робота з LLM через OpenAI API. Перший результат — модель, яка помиляється, і розбір цих помилок і є заняттям.

Слово «нейромережа» в описі курсу викликає два протилежні очікування. Одні батьки думають, що це маркетинг. Інші — що дитина вийде фахівцем з ІІ. Обидва помиляються, тому розкажемо, що там насправді.

Чотири етапи навчального проєкту

Дані. Підліток збирає набір сам — наприклад, 300–500 зображень двох категорій або таблицю з відкритого джерела. На цьому етапі з'ясовується головне: даних завжди менше, ніж здавалося, і половина з них зіпсована.

Чистка. Пропуски, дублікати, переплутані підписи. Нудна частина, яка займає більше часу за навчання моделі — і саме вона показує, чому реальна робота з ІІ виглядає не так, як у роликах.

Навчання. Готова модель, 10–15 рядків коду, кілька хвилин очікування. Тут підліток уперше бачить точність у відсотках і розуміє, що 80 % — це не «майже добре», а «кожна п'ята відповідь неправильна».

Розбір помилок. Чому модель плутає ці два класи? Чи вистачає прикладів? Чи не навчилася вона фону замість об'єкта? Ця частина найцінніша, і саме її не проходять на курсах, де ІІ згадують у назві для краси.

Чому починаємо з нудного, а не з нейромережі

Перша модель, яку підліток навчає сам, — лінійна регресія. Виглядає скромно: пряма лінія крізь хмару точок. Ефектної картинки з неї не зробиш.

Сенс у тому, що на ній видно все, що потім повториться у складніших моделях. Є дані. Є розділення на те, на чому вчимо, і те, на чому перевіряємо. Є помилка, яку модель зменшує крок за кроком. Є момент, коли лінія лягає добре на навчальних даних і погано на перевірочних, — те саме перенавчання, про яке потім говорять стосовно нейромереж.

Підліток, який побачив це на прямій лінії, розуміє нейромережу як ту саму ідею, тільки з багатьма шарами. Той, хто одразу запустив чужий приклад із розпізнаванням облич, не розуміє нічого — у нього спрацювало, і все.

MNIST: рукописні цифри, на яких вчаться всі

Наступний крок — набір із зображень рукописних цифр. Кожна картинка 28 на 28 пікселів, чорно-біла, і завдання одне: сказати, яка це цифра.

Цей набір вибрано не випадково. Він маленький, тому навчання йде хвилини на звичайному ноутбуці. Він зрозумілий — помилку видно очима: модель прийняла сімку за одиницю, і ти сам бачиш чому. І він чесний: цифри писали різні люди, почерки різні, серед них є такі, які й людина прочитає не одразу.

Саме на MNIST діти вперше стикаються з тим, що точність 97 % — це не «майже ідеально», а три помилки на сотню. Розмова про те, де така точність припустима, а де ні, виходить сама собою.

Що входить у програму, а що ні

Звідки беруться дані

Частина наборів відкриті й давно стали навчальною класикою — ті самі рукописні цифри, дані про пасажирів «Титаніка», виміри квіток ірису. Частину підліток збирає сам: вивантажує власну статистику з застосунку, парсить таблицю з сайту на попередній темі курсу, складає папку своїх фотографій.

Другий варіант завжди виходить цікавішим і завжди складнішим. У відкритому наборі за тебе вже все почистили; у власних даних половина рядків порожні, дати записані трьома способами, а половини значень просто немає.

Як виглядає заняття

Півтори години, група до шести осіб, екран у кожного свій. Викладач показує крок, підліток повторює на своїх даних — і майже завжди отримує інший результат, бо дані інші. Далі починається те, заради чого тема й існує: чому в мене вийшло гірше.

Відповідь щоразу в даних, а не в коді. Мало прикладів. Класи нерівні. Забули відкласти перевірочну вибірку. Це і є та частина роботи з машинним навчанням, яку не показують у роликах: модель — п'ять рядків, а решта часу йде на підготовку того, що в неї подаєш.

Дві різні речі, які називають одним словом

Плутанина тут звичайна: обидва варіанти в розмові називають «дитина робить ШІ». Насправді це різні навички, і корисні обидві. Перша швидша й дає результат на середньому рівні. Друга повільніша й пояснює, звідки результат береться.

Чи не застаріє це за три роки

Питання розумне, і відповідь роздвоюється. Бібліотеки застаріють — майже напевно: за останні п'ять років набір інструментів переписували не раз, і назви в резюме випускника 2030 року будуть інші.

Не застаріє інше. Те, що модель треба перевіряти на даних, яких вона не бачила. Те, що погані дані дають поганий результат незалежно від алгоритму. Те, що точність без контексту нічого не означає. Ці речі не змінилися відтоді, як їх сформулювали, і саме вони залишаються, коли конкретна бібліотека йде в минуле.

Що з цього потрапляє у фінальний проєкт

Фінал старшого ступеня — не обов'язково модель. Це може бути Flask-сервіс, бот із базою даних або застосунок із машинним навчанням усередині: підліток обирає сам, і вибір частіше диктує тема, яка його зачепила, ніж складність.

Коли обирають ML, проєкт майже завжди виростає з чогось особистого. Класифікатор фотографій власного кота. Передбачення оцінки за кількістю зроблених задач. Розбір власного експорту з месенджера. Такі роботи виглядають у портфоліо переконливіше за чисту навчальну вправу — тому що дані в них справжні й зібрані руками автора.

Навіщо це підлітку, який не піде в науку

Здебільшого — заради розуміння меж. Підліток, який сам навчив модель і побачив, як вона впевнено помиляється, інакше читає новини про ІІ й інакше користується чатами: перевіряє відповіді, а не приймає їх. Ця звичка знадобиться йому незалежно від професії.

Друге — портфоліо. Проєкт із даними, кодом і чесним описом того, що вийшло погано, виглядає дорослішим за 10 навчальних вправ.

Як ІІ з'являється раніше, на молодших ступенях, описано в статті «Штучний інтелект на курсі Python: з чого починають». Що кладуть у портфоліо — «Портфоліо на Python до 18 років». Програма старшого рівня — Python Pro.