Uczenie maszynowe: program uczony przykładami, a nie regułami

👁 147 przeczytań

Uczenie maszynowe (ang. machine learning, ML) to sposób budowania programów, w którym nie zapisujesz reguł, tylko pokazujesz przykłady, a komputer sam wyprowadza z nich regułę. Na tym działają filtry spamu, rekomendacje w sklepach, wykrywanie oszustw kartowych i modele językowe, takie jak ChatGPT. Niżej: definicja bez wzorów, trzy rodzaje uczenia, różnica między AI, ML i deep learningiem, przykłady z Polski, od czego zacząć naukę i krótki kod w Pythonie, który sam uruchomiłem, z prawdziwym wynikiem.

Co to jest uczenie maszynowe

W klasycznym programowaniu człowiek pisze reguły: „jeśli w temacie maila jest słowo »wygrana« i nadawca jest nieznany, przenieś do spamu”. W uczeniu maszynowym dajesz programowi dziesięć tysięcy maili oznaczonych jako spam i dziesięć tysięcy oznaczonych jako zwykłe, a on sam znajduje cechy, które je odróżniają. Wynikiem jest model: funkcja, która dla nowego maila zwraca odpowiedź „spam” albo „nie spam” wraz z pewnością.

Tej reguły nie da się potem przeczytać jak kodu. To jednocześnie źródło całej mocy tego podejścia (model wyłapuje zależności, których człowiek by nie zapisał) i wszystkich jego kłopotów (nie zawsze wiadomo, dlaczego model zdecydował tak, a nie inaczej).

Każdy projekt ML składa się z tych samych kroków:

1. Dane - zebranie przykładów i ich uporządkowanie. To zwykle większość pracy.
2. Cechy - wybór tego, co model ma brać pod uwagę (np. piksele obrazka, kwota i godzina transakcji).
3. Trening - dopasowanie modelu do części danych.
4. Test - sprawdzenie na danych, których model nie widział. Bez tego kroku wynik jest bezwartościowy.
5. Wdrożenie i pilnowanie - model działa na nowych danych, a ktoś mierzy, czy nie traci skuteczności.

Trzy rodzaje uczenia maszynowego

Uczenie nadzorowane

Dane mają odpowiedzi: zdjęcia z podpisami, maile oznaczone jako spam, mieszkania z cenami. Model uczy się przewidywać odpowiedź dla nowych przypadków. Gdy odpowiedź to kategoria (spam/nie spam), mówimy o klasyfikacji, gdy liczba (cena mieszkania) - o regresji. To zdecydowana większość zastosowań w firmach i to właśnie robi mój przykład w Pythonie niżej.

Uczenie nienadzorowane

Odpowiedzi nie ma, jest tylko zbiór. Model szuka w nim struktury: grupuje podobnych klientów (klasteryzacja), wykrywa nietypowe transakcje (wykrywanie anomalii), upraszcza dane o setkach kolumn do kilku najważniejszych wymiarów. Używa się go, gdy nie wiadomo z góry, czego się szuka.

Uczenie ze wzmocnieniem

Model (tu nazywany agentem) działa w jakimś środowisku, dostaje nagrodę albo karę i szuka sposobu na maksymalizację nagrody. Tak uczą się programy grające w szachy i go, roboty i systemy sterowania. W uproszczeniu tak dostraja się też zachowanie dzisiejszych modeli językowych, żeby odpowiadały pomocnie, a nie tylko poprawnie gramatycznie.

Między nadzorowanym a nienadzorowanym jest jeszcze uczenie samonadzorowane: odpowiedzi tworzy się z samych danych. Model językowy dostaje zdanie z zakrytym ostatnim słowem i zgaduje je - etykieta „za darmo” jest w tekście. Na tym zbudowano wszystkie duże modele językowe.

AI, uczenie maszynowe, deep learning: czym się różnią

Te pojęcia są zagnieżdżone jak matrioszki: sztuczna inteligencja zawiera uczenie maszynowe, uczenie maszynowe zawiera uczenie głębokie, a modele językowe są zastosowaniem uczenia głębokiego.

Kiedy ktoś mówi „to AI”, zwykle ma na myśli uczenie maszynowe, a najczęściej jego głęboką odmianę. Szersze wprowadzenie do całej dziedziny napisałem w tekście o sztucznej inteligencji, a sylwetki ludzi, którzy zbudowali uczenie głębokie, w tekstach o Geoffreyu Hintonie, Yannie LeCunie i Yoshui Bengio.

Ważna praktyczna uwaga: przy danych w tabelach (Excel, baza klientów, transakcje) klasyczne metody ML, takie jak lasy losowe i boosting gradientowy, wciąż często wygrywają z sieciami neuronowymi, a są szybsze i tańsze. Sieci głębokie dominują przy obrazie, dźwięku i tekście.

Uczenie maszynowe na co dzień w Polsce

• Poczta. Filtry spamu w Gmailu, Outlooku i polskich skrzynkach to klasyczne uczenie nadzorowane na milionach oznaczonych maili.
• Bank. Gdy bank blokuje płatność kartą w nietypowym miejscu i pyta SMS-em, czy to Ty, za decyzją zwykle stoi model wykrywania anomalii. Ten sam typ modeli pomaga ocenić ryzyko przy wniosku kredytowym.
• Zakupy i rozrywka. Polecane produkty w sklepach internetowych, kolejne odcinki w serwisach wideo i utwory w aplikacjach muzycznych dobierają systemy rekomendacyjne.
• Telefon. Odblokowanie twarzą, rozpoznawanie mowy w dyktowaniu, grupowanie zdjęć według osób, tłumaczenie tekstu z aparatu.
• Urzędy. Asystent w aplikacji mObywatel od końca 2025 roku odpowiada na pytania, korzystając z polskiego modelu PLLuM.
• Medycyna. Modele wspierające opis zdjęć RTG i tomografii, które podpowiadają radiologowi podejrzane miejsca. Decyzję podejmuje lekarz.

Mój przykład w Pythonie: rozpoznawanie cyfr w 25 linijkach

Żeby pokazać, jak to wygląda w praktyce, napisałem najprostszy możliwy przykład uczenia nadzorowanego. Biblioteka scikit-learn ma wbudowany zbiór 1797 obrazków odręcznie pisanych cyfr o rozdzielczości 8 na 8 pikseli, każdy z poprawną odpowiedzią. Model uczy się na 75 procentach obrazków, a sprawdzam go na pozostałych 25 procentach, których wcześniej nie widział. Dla porównania dodałem „model”, który zawsze odpowiada najczęstszą cyfrą.

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.dummy import DummyClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix

X, y = load_digits(return_X_y=True)   # 1797 obrazków 8x8 + poprawne odpowiedzi
print("Przykładów:", len(X), "| cech na obrazek:", X.shape[1])

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42, stratify=y)

zgadywacz = DummyClassifier(strategy="most_frequent").fit(X_train, y_train)
print("Trafność 'zawsze ta sama cyfra':",
      round(accuracy_score(y_test, zgadywacz.predict(X_test)), 3))

model = RandomForestClassifier(n_estimators=200, random_state=42).fit(X_train, y_train)
pred = model.predict(X_test)
print("Trafność lasu losowego:", round(accuracy_score(y_test, pred), 3))
print("Pomyłek na", len(y_test), "obrazkach testowych:", int((pred != y_test).sum()))

cm = confusion_matrix(y_test, pred)
pary = [(cm[i, j], i, j) for i in range(10) for j in range(10) if i != j and cm[i, j] > 0]
for n, i, j in sorted(pary, reverse=True)[:3]:
    print(f"Najczęstsza pomyłka: {i} wzięte za {j} - {n} raz(y)")

Uruchomiłem to 4 października 2026 na Windows 11, Python 3.13 i scikit-learn 1.9.0 (instalacja: pip install scikit-learn). Wynik, skopiowany z konsoli:

Przykładów: 1797 | cech na obrazek: 64
Trafność 'zawsze ta sama cyfra': 0.102
Trafność lasu losowego: 0.967
Pomyłek na 450 obrazkach testowych: 15
Najczęstsza pomyłka: 8 wzięte za 1 - 3 raz(y)
Najczęstsza pomyłka: 5 wzięte za 9 - 2 raz(y)
Najczęstsza pomyłka: 0 wzięte za 4 - 2 raz(y)

Co z tego wynika:

• Las losowy trafił w 96,7 procent przypadków, czyli pomylił się 15 razy na 450 obrazków. Cały skrypt, razem z wczytaniem bibliotek, wykonał się w 2,5 sekundy na procesorze, bez udziału karty graficznej.
• Zgadywacz miał 10,2 procent, czyli tyle, ile daje losowanie jednej z dziesięciu cyfr. To jest punkt odniesienia: wynik modelu ma sens tylko w porównaniu z najgłupszym możliwym rozwiązaniem.
• Pomyłki są „ludzkie”: ósemka wzięta za jedynkę, piątka za dziewiątkę. Przy 64 pikselach część cyfr jest naprawdę niejednoznaczna.
• Parametr random_state=42 ustala losowość podziału i lasu. Z inną wartością wynik będzie minimalnie inny, ale w tym samym rejonie.

Ten sam schemat (dane, podział na trening i test, model, ocena) zostaje w każdym projekcie. Zmieniają się dane i rodzaj modelu.

Gdzie uczenie maszynowe zawodzi

• Model dziedziczy uprzedzenia danych. Jeśli w historycznych decyzjach kredytowych była nierówność, model nauczy się jej i będzie ją powtarzał, tyle że szybciej i pod pozorem obiektywności liczby.
• Wysoka trafność bywa złudzeniem. Przy zjawisku występującym raz na tysiąc przypadków model, który zawsze odpowiada „nie ma”, osiąga 99,9 procent trafności i jest całkowicie bezużyteczny. Dlatego przy rzadkich zdarzeniach patrzy się na precyzję i czułość, a nie samą trafność. Mój zgadywacz z przykładu to ta sama pułapka w łagodnej wersji.
• Świat się zmienia, model nie. Model wytrenowany na danych sprzed dwóch lat po cichu traci skuteczność, gdy zmieniają się zachowania klientów albo rynek. Nic tego nie sygnalizuje samo z siebie, trzeba to mierzyć.
• Nie wiadomo, dlaczego. Przy decyzjach dotyczących ludzi, jak kredyt czy rekrutacja, przepisy (w tym unijny AI Act) coraz częściej wymagają wyjaśnienia wyniku. To bywa trudniejsze niż zbudowanie samego modelu.
• Przeuczenie. Model, który „wkuł” dane treningowe na pamięć, świetnie wypada na nich i słabo na nowych. Dlatego test zawsze robi się na danych odłożonych na bok.

Jak zacząć uczyć się uczenia maszynowego

Nie od matematyki, tylko od danych i jednego działającego przykładu, takiego jak ten wyżej. Jakość danych decyduje o wyniku bardziej niż wybór metody, a większość pracy to porządkowanie, nie modelowanie. Kolejność, którą polecam:

1. Pojęcia bez kodu: darmowy kurs Elements of AI Uniwersytetu Helsińskiego, dostępny po polsku od 2020 roku. Pierwsza część nie wymaga programowania. Do pojęć przyda się też mój słownik AI.
2. Podstawy Pythona: zmienne, listy, pętle, funkcje. Wystarczy kilka tygodni.
3. Pierwszy model: darmowy kurs Intro to Machine Learning na Kaggle (około 3 godzin, po angielsku) uczy scikit-learn i pandas w notatnikach w przeglądarce, bez instalowania czegokolwiek.
4. Teoria: Machine Learning Specialization Andrew Ng (DeepLearning.AI, po angielsku). Na Coursera od 2025 roku za darmo można obejrzeć tylko pierwszy moduł kursu, pełny dostęp jest płatny.
5. Własny projekt: weź arkusz z czymś, co znasz (wydatki, wyniki sportowe, ceny mieszkań z ogłoszeń) i spróbuj przewidzieć jedną kolumnę na podstawie pozostałych.

Biblioteki, które warto znać:

Do eksperymentów bez instalacji przydadzą się notatniki Google Colab i Kaggle, a do pisania kodu z pomocą AI - Google AI Studio albo Replit. Jeśli myślisz o studiach, porównałem kierunki w tekście studia AI w Polsce.

Najczęstsze pytania

Co to jest uczenie maszynowe w prostych słowach?

To metoda, w której komputer uczy się z przykładów zamiast wykonywać reguły napisane przez programistę. Pokazujesz mu dane z odpowiedziami, a on buduje model, który odpowiada na nowe, podobne pytania.

Czym różni się uczenie maszynowe od sztucznej inteligencji?

Sztuczna inteligencja to cała dziedzina, a uczenie maszynowe to jej najważniejsza dziś część. Każde ML jest AI, ale nie każde AI jest ML: program grający w szachy według ręcznie zapisanych reguł to AI bez uczenia maszynowego.

Czym jest uczenie głębokie (deep learning)?

To odmiana uczenia maszynowego oparta na sieciach neuronowych z wieloma warstwami. Sprawdza się przy obrazach, dźwięku i tekście, ale potrzebuje dużo danych i mocy obliczeniowej. Na nim zbudowane są modele językowe i generatory obrazów.

Czy do uczenia maszynowego trzeba znać matematykę?

Do używania gotowych bibliotek wystarczy matematyka z liceum: średnia, procent, wykres funkcji. Do rozumienia, dlaczego modele działają, i do pracy badawczej potrzebna jest algebra liniowa, rachunek prawdopodobieństwa i podstawy analizy.

Jaki język programowania wybrać do uczenia maszynowego?

Python. Ma najwięcej bibliotek (scikit-learn, PyTorch, pandas), kursów i przykładów. R jest popularny w statystyce, a Julia w obliczeniach naukowych, ale na start nie ma powodu wybierać inaczej.

Czy ChatGPT to uczenie maszynowe?

Tak. ChatGPT działa na dużym modelu językowym, a ten powstał w trzech etapach uczenia maszynowego: samonadzorowanym pretreningu na tekstach, nadzorowanym dostrajaniu na przykładach rozmów i uczeniu ze wzmocnieniem na ocenach odpowiedzi. Szczegóły w tekście LLM: co to jest.

Ile czasu zajmuje nauka uczenia maszynowego?

Pierwszy działający model zbudujesz w jedno popołudnie, korzystając z przykładu wyżej albo kursu Kaggle. Poziom pozwalający samodzielnie prowadzić prosty projekt na własnych danych to zwykle kilka miesięcy regularnej nauki, przy założeniu podstaw Pythona.

Źródła i data sprawdzenia

Sprawdzone 4 października 2026. Kod uruchomiłem lokalnie (Python 3.13, scikit-learn 1.9.0).

• scikit-learn: zbiór load_digits i dokumentacja lasów losowych
• Elements of AI po polsku
• Kaggle Learn: Intro to Machine Learning
• DeepLearning.AI: Machine Learning Specialization
• Coursera: zmiana trybu audytu na podgląd pierwszego modułu

// czytaj dalejInternet zjedzony przez AI. Jak maszyny zatruwają studnię, z której piłyPremiumArmia USA szykuje się na cyberataki z prędkością maszyn. Do stołu zaproszono Big TechPremiumJames Cameron o sztucznej inteligencji. Reżyser nie boi się buntu maszynFelietony