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:

  1. Podaci (dataset) – ulazne informacije iz kojih model uči.

  2. Model – matematička konstrukcija koja određuje kako će se podaci obrađivati.

  3. 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.

  • Klasifikacija e-mailova na „spam“ i „nije spam“

  • Prepoznavanje rukopisa

  • Predviđanje cena nekretnina

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.

  • 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.

  • 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:

  1. Prikupljanje podataka – kvalitativni i kvantitativni podaci utiču na kvalitet modela.

  2. Predobrada podataka (preprocessing)

    • uklanjanje nedostajućih vrednosti

    • normalizacija

    • skaliranje

    • uklanjanje outliera

  3. Podela podataka na trening i test skup

  4. Trening modela – podešavanje parametara kako bi model pravilno generalizovao.

  5. Evaluacija – poređenje predikcija i stvarnih podataka (accuracy, precision, recall...).

  6. Implementacija i upotreba modela

  7. 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.

6. Gde se koristi mašinsko učenje?

• Medicina

Automatska dijagnostika bolesti, analiza snimaka, predviđanje razvoja stanja.

• Finansije

Otkrivanje prevara, analiza tržišta, automatizovano trgovanje.

• Saobraćaj

Autonomna vozila, optimizacija saobraćajnih tokova.

• Zabava

Netflix ili YouTube preporuke.

• Industrija

Prediktivno održavanje mašina.

• Obrazovanje

Aplikacije za personalizovano učenje (npr. Duolingo).

7. Prednosti i ograničenja ML-a

  • Automatsko učenje iz iskustva bez dodatnog programiranja

  • Obrada ogromnih količina podataka

  • Prepoznavanje skrivenih obrazaca

  • Velika primenljivost u različitim oblastima

  • Potreba za velikim količinama kvalitetnih podataka

  • Mogućnost grešaka ako su podaci pristrasni

  • Visoka potrošnja resursa kod dubokog učenja

  • Težak nadzor i objašnjavanje odluka modela (black box problem)

8. Spoljni izvori i preporučeni linkovi

9. VEŽBE

Vežba 1 – Identifikacija tipova učenja

Za svaku situaciju odrediti da li je primer:

  • nadgledanog učenja

  • nenadgledanog učenja

  • učenja potkrepljivanjem

Situacije:

  1. Sistem prati ponašanje korisnika i sam grupiše tipove kupaca.

  2. Robot uči da hoda nagrađivanjem uspešnih pokreta.

  3. Model predviđa cenu automobila na osnovu podataka iz prošlosti.

Diskusija: Etika u mašinskom učenju

  • Šta ako model donosi pogrešne odluke?

  • Kako sprečiti zloupotrebu AI?

  • Treba li AI imati ograničenja?

Poslednja izmena: понедељак, 24. новембар 2025, 10:17