PIT 3: Mašinsko učenje

1. Uvod

Veštačka inteligencija (AI) predstavlja područje računarstva koje omogućava mašinama da obavljaju zadatke za koje je inače potrebna ljudska inteligencija — prepoznavanje govora, donošenje odluka, klasifikacija podataka, učenje iz iskustva i slično. U središtu savremene AI nalazi se mašinsko učenje (Machine Learning, ML), poddisciplina u kojoj računari ne primaju samo eksplicitna pravila, već na osnovu podataka samostalno uče obrasce i unapređuju svoje performanse.

Danas je mašinsko učenje prisutno svuda: od preporuka filmova na Netflixu, preko spam filtera u Gmail-u, do sistema autonomne vožnje, medicinske dijagnostike i finansijskih analiza. Razumevanje principa ML-a postalo je ključna veština modernog IT stručnjaka.

2. Šta je mašinsko učenje?

Mašinsko učenje je proces u kome računari koriste matematičke modele i statističke metode kako bi identifikovali obrasce u podacima i donosili odluke bez eksplicitnog programiranja. U klasičnom programiranju programer piše pravila, dok u mašinskom učenju model sam pronalazi pravila koja najbolje opisuju podatke.

U ML-u uvek postoje tri osnovne komponente:

Podaci (dataset) – ulazne informacije iz kojih model uči.
Model – matematička konstrukcija koja određuje kako će se podaci obrađivati.
Algoritam učenja – postupak kojim model podešava svoje parametre da bi što bolje predvideo izlaz.

Cilj ML-a je minimizacija greške, odnosno postizanje što boljeg predviđanja za nove, do tada neviđene podatke.

3. Tipovi mašinskog učenja

3.1. Nadgledano učenje (Supervised Learning)

Model uči iz označenih podataka – dakle, svaki ulaz ima odgovarajući izlaz.

Primeri

Klasifikacija e-mailova na „spam“ i „nije spam“
Prepoznavanje rukopisa
Predviđanje cena nekretnina

Najčešći algoritmi

Najčešći algoritmi:

Linearna regresija
Logistička regresija
Stabla odlučivanja (Decision Trees)
SVM (Support Vector Machines)
Neuronske mreže

3.2. Nenadgledano učenje (Unsupervised Learning)

Model uči iz neoznačenih podataka. Cilj je otkrivanje strukture, grupa ili šablona.

Primeri i najčešći algoritmi

Grupisanje kupaca prema ponašanju (clustering)
Analiza toka saobraćaja
Kompresija slika

Najčešći algoritmi:

K-means
Hierarhijsko grupisanje
PCA (Principal Component Analysis)

3.3. Učenje potkrepljivanjem (Reinforcement Learning)

Model (agent) uči kroz interakciju sa okruženjem. Prima nagrade i kazne i uči na osnovu iskustva.

Primeri

AI koji igra šah ili Go
Autonomni roboti
Optimizacija industrijskih procesa

4. Kako funkcioniše proces učenja?

Proces učenja u ML-u obično prolazi kroz sledeće faze:

Prikupljanje podataka – kvalitativni i kvantitativni podaci utiču na kvalitet modela.
Predobrada podataka (preprocessing)
- uklanjanje nedostajućih vrednosti
- normalizacija
- skaliranje
- uklanjanje outliera
Podela podataka na trening i test skup
Trening modela – podešavanje parametara kako bi model pravilno generalizovao.
Evaluacija – poređenje predikcija i stvarnih podataka (accuracy, precision, recall...).
Implementacija i upotreba modela
Ažuriranje i ponovno treniranje, jer se podaci vremenom menjaju.

5. Neuronske mreže – osnovna ideja

Neuronske mreže imitiraju način na koji funkcioniše ljudski mozak. Sastoje se od mnogo međusobno povezanih „neurona“ – matematičkih funkcija koje primaju ulaz, procesuiraju ga i prosleđuju dalje. Slojevito organizovane, omogućavaju računarima da nauče veoma kompleksne odnose među podacima (npr. prepoznavanje lica).

Posebno su važne:

Konvolutivne neuronske mreže (CNN) – koriste se za obradu slika.
Rekurentne mreže (RNN, LSTM) – koriste se za obradu sekvenci (tekst, govor).
Transformeri – moderna arhitektura korišćena u ChatGPT-u i drugim velikim modelima.