Як люди вчаться розпізнавати

Дитина не отримує таблицю «кіт = така сітка RGB». Вона бачить різних котів, чує слово «кіт», іноді їй показують книжку з малюнком, іноді — живу тварину на поді courtyard. З часом формується внутрішній образ: чотири лапи, вуха, вуса, типовий рух. Це не копія одного фото, а узагальнений набір ознак, який допомагає впізнати нового кота, якого дитина раніше не бачила.

Ознака замість пікселів

Людський мозок рідко запамʼятовує картинку як шахову дошку чисел. Він виділяє ознаки: форма, текстура, контекст. «Кругле, червоне, на гілці» — достатньо, щоб сказати «яблуко», навіть якщо конкретне яблуко іншого розміру, ніж учора. Так працює узагальнення: правило не привʼязане до одного зразка, а покриває сімейство схожих випадків. Без цього кожен новий ракурс вимагав би нового «уроку з нуля».

Приклад

Малюк плутає собаку з вовком у казці, але після кількох виправлень «це собака, хвіст так ходить» починає правильно називати реальних собак на прогулянці. Зворотний звʼязок — коротке «так» або «ні» — швидше змінює увагу до важливих ознак, ніж довга лекція про анатомію. Саме тому навчання з прикладами і зворотним звʼязком — природна модель, яку намагаються відтворити у машинному навчанні.

Роль зворотного звʼязку

Батьки, вчитель або власний досвід («торкнувся — болить») дають сигнал, чи інтерпретація вірна. Помилка не руйнує систему: вона оновлює пріоритети — що важливіше дивитися на колір світлофора, а не на форму хмари на фоні. У машинному навчанні аналогом слугує мітка в набору даних і функція втрат під час навчання: модель бачить приклад, робить припущення, отримує числовий «урок» і підкручує внутрішні параметри.

Важливо, що люди переносять знання між доменами. Хто вміє читати друковані літери, швидше звикає до рукопису: частина ознак вже є. Це теж узагальнення — на іншому рівні. Компʼютерні системи намагаються будувати такі шари: спочатку прості ознаки (краї, текстури), потім складніші поняття. Ідея не в копіюванні біології один в один, а в тому, що навчання з прикладів ефективніше, ніж ручне прописування мільйона правил «якщо піксель (12,45)…».

Порада

Коли читаєте про ознаки у курсі, думайте «що залишається стабільним між прикладами», а не «одна колонка в таблиці». У тексті ознака може бути довжина слова; у звуку — висота тону; у зображенні — форма контуру. Спільне — це стиснення сирих даних у корисний опис.

Python

import numpy as np

examples = np.array([
    [4.2, 28],
    [3.8, 25],
    [4.5, 30],
])
prototype = examples.mean(axis=0)

new_cat = np.array([4.0, 27])
dist = np.linalg.norm(new_cat - prototype)

print("prototype features:", np.round(prototype, 2))
print("new example distance:", round(dist, 2))

Вивід

Натисніть «Запустити» — вивід зʼявиться тут

Підказка

Додайте четвертий приклад із іншими числами — як зміниться prototype?

Людське навчання повільніше за пакетне навчання на GPU, але принцип схожий: багато варіантів, відбір стабільних ознак, корекція через зворотний звʼязок. Далі ми формалізуємо цей процес як машинне навчання — без магії, але з тим самим акцентом на прикладах і узагальненні.

Що запамʼятати

Люди розпізнають через ознаки — форму, текстуру, контекст — а не копію одного зображення. Зворотний звʼязок («так/ні») спрямовує увагу на важливі ознаки; у машинному навчанні тому відповідають мітки і функція втрат під час навчання. Узагальнення дозволяє впізнати новий приклад, якого не було в точного збігу таблиці.

Ознака замість пікселів

Роль зворотного звʼязку

Що запамʼятати

Перевірка