Машинное обучение — область искусственного интеллекта, в которой алгоритмы выявляют закономерности в данных и используют их для прогнозирования или принятия решений.

Алгоритм машинного обучения — последовательность вычислительных действий, позволяющая модели обучаться на данных.

Обучение с учителем — метод обучения модели на данных, содержащих входные признаки и известные правильные ответы.

Обучение без учителя — метод выявления скрытых закономерностей и структуры данных без заранее заданных правильных ответов.

Признак — характеристика объекта, используемая моделью для анализа и прогнозирования.

Обучающая выборка — набор данных, используемый для настройки параметров модели машинного обучения.

Тестовая выборка — данные, предназначенные для независимой оценки качества обученной модели.

Регрессия — задача машинного обучения, направленная на прогнозирование числовых значений.

Классификация — задача определения принадлежности объекта к одному из заданных классов.

Линейная регрессия — алгоритм прогнозирования числовых значений на основе линейной зависимости между признаками и целевой переменной.

Логистическая регрессия — алгоритм классификации, позволяющий оценивать вероятность принадлежности объекта к определённому классу.

Метод k ближайших соседей (kNN) — алгоритм, использующий ближайшие по расстоянию обучающие объекты для классификации или регрессии.

Дерево решений — модель, принимающая решения посредством последовательной проверки условий по признакам.

Случайный лес — ансамблевый алгоритм, объединяющий прогнозы множества деревьев решений.

Градиентный бустинг — ансамблевый метод, последовательно добавляющий модели для уменьшения ошибок прогнозирования.

Метод опорных векторов (SVM) — алгоритм, находящий разделяющую границу между классами с учётом максимизации зазора.

Кластеризация — процесс объединения объектов в группы на основе их сходства без использования заранее известных меток классов.

Нейронная сеть — вычислительная модель, состоящая из взаимосвязанных искусственных нейронов, способная изучать сложные зависимости в данных.

Переобучение — ситуация, при которой модель слишком сильно подстраивается под обучающие данные и хуже работает на новых наблюдениях.

Валидация модели — процесс проверки качества модели на данных, не использованных для настройки её параметров, с целью оценки способности к обобщению.