# Основы искусственного интеллекта и Large Language Models

> [HTML-версия](https://learnvibecoding.ru/publiclessons/osnovy-iskusstvennogo-intellekta-i-large-language-models) · [Индекс для LLM](https://learnvibecoding.ru/llms.txt) · [Политика использования материалов](https://learnvibecoding.ru/politika-materialov)
> Материалы защищены. Обучение LLM без согласия запрещено. При разрешённом использовании — обязательна прямая ссылка на страницу-источник.
> В уроке разберем основы

**Курс:** Основы ИИ

## Что такое искусственный интеллект

Современный искусственный интеллект (ИИ) опирается на **обработку данных**, **анализ информации** и **машинное обучение**.

Главная цель ИИ — использовать компьютеры для задач, которые раньше считались **исключительно человеческими**:

понимание языка, принятие решений, прогнозирование и обучение на опыте.

---

## Обработка и анализ данных

**Обработка и анализ данных** — это междисциплинарное поле, лежащее в основе искусственного интеллекта.

Оно сочетает статистику, программирование и машинное обучение, чтобы **извлекать смысл из данных** и **находить закономерности**.

> Цель: обучить машины принимать решения и делать выводы, анализируя большие объемы данных.
> 

---

## Машинное обучение (Machine Learning)

**Машинное обучение (ML)** — это метод, в котором машина **анализирует данные, находит закономерности** и **использует их для прогнозов**.

Модель обучается на исторических данных и затем способна **самостоятельно делать выводы о новых примерах**.

Чем больше данных → тем точнее результат.

### Примеры:

- **Обнаружение спама:** алгоритм находит слова («бесплатно», «гарантия»), проверяет домены и выявляет несоответствия между ссылкой и URL.
- **Выявление мошенничества с картами:** алгоритм замечает нетипичные транзакции — необычные суммы, географию или частоту покупок.

---

## Глубокое обучение (Deep Learning)

**Глубокое обучение (DL)** — это подмножество машинного обучения, которое **имитирует работу человеческого мозга** через **искусственные нейронные сети**.

В отличие от машинного обучения, глубокое обучение может самостоятельно обнаруживать сложные закономерности и различать признаки данных. Обычно оно работает с неструктурированными данными, такими как изображения, текст и звук. Он требует огромных объемов данных для лучшего анализа и массовой вычислительной мощности для скорости.

Оно особенно эффективно при работе с **неструктурированными данными** — изображениями, текстами, звуком.

> В отличие от классического ML, глубокие сети сами находят сложные закономерности, не требуя ручного выбора признаков.
> 

### Пример:

Система глубокого обучения может **обнаруживать раковые клетки** на медицинских снимках.

Она анализирует каждый пиксель изображения, выделяет подозрительные участки и накапливает информацию по слоям нейронов,

пока не классифицирует изображение как «здоровое» или «с признаками рака».

*Визуально: глубокие сети состоят из множества уровней (“глубины”), где каждый слой обучается всё более сложным признакам.*

---

## От глубокого обучения к Large Language Models

Развитие **глубокого обучения** привело к появлению **моделей нового поколения** — **Large Language Models (LLM)**.

Это модели, обученные на **огромных корпусах текстов**, способные **понимать и генерировать человеческий язык**.

LLM стали ядром современных **агентов**, которые могут рассуждать, планировать и взаимодействовать с миром через текст.

https://nhvwqitwebmmswnjylop.supabase.co/storage/v1/object/public/Pictures%20for%20course/AI%20basics/lesson%201/2-machine-learning-concepts.png

[Все уроки](https://learnvibecoding.ru/publiclessons.md) · HTML: https://learnvibecoding.ru/publiclessons