Koncepti koje ćemo predstaviti u ovoj lekciji su osnovni koncepti mašinskog učenja. Oni će vam pomoći da pratite teme o kojima se govori u nastavku, a vi ćete saznati više o svakoj od njih.

Što se tiče mašinskog učenja, prikupljanje podataka koje imamo naziva se skup podataka. To mogu biti neki fini tabelarni zapisi, slični onima na koje nailazimo u bazama podataka ili Ekcel datotekama, ali i neka grupa satelitskih snimaka ili audio snimaka. Jedan specifičan element skupa podataka naziva se instanca . Dakle, jedan određeni red u dnevniku tabeli ili jedan određeni satelitski snimak su primeri instanci. Broj instanci u skupu podataka može odrediti izbor algoritma učenja, jer neki algoritmi zahtevaju više podataka od drugih.

 U slučajevima postoje atributi, osobine koje koristimo za opisivanje podataka. Ako zamislimo da je to tabelarni zapis o pojavama zemljotresa, datum i vreme nastanka, geografska širina, dužina, jačina zemljotresa, nivo razaranja i drugi važni podaci mogu se pojaviti kao atributi. Atributi se podjednako nazivaju osobinama. Malo kasnije ćete naučiti šta sve vrste atributa postoje i šta treba da se brine o. Atributi na osnovu kojih treba da naučimo kako da rešimo zadatak nazivaju se ulazne varijable (ulazi), a one koje treba naučiti izlazne varijable. Dakle, datum i vreme zemljotresa, njegove geo-koordinate i njegova magnituda mogu biti ulazne varijable u zadatku određivanja razaranja zemljotresa. Razaranje zemljotresa je takođe prisutan kao atribut u skupu podataka, tako da bi to bila izlazna varijabla. Ponekad ćemo koristiti manje formalne termine kao što su ulaz i izlaz . Važno je napomenuti da je zadatak koji diktira šta će biti ulazne varijable i šta će biti izlazne varijable.

Koji bi mogli biti atributi satelitske slike?

Takođe ćete se složiti da za satelitske snimke možemo uvesti atribute kao što su lokacija, datum i vreme stvaranja. Takođe možemo uvesti atribute koji opisuju satelit koji je snimio sliku. Međutim, nijedan od ovih atributa direktno ne opisuje šta satelitska slika sadrži. Razmislite o ovoj temi dok ne dođemo do lekcije koja ga pokriva.

Rekli smo da je cilj algoritama mašinskog učenja da odredi mapiranje datih ulaza na date izlaze. Sada možemo biti precizniji i reći da je cilj mašinskog učenja da odredi mapiranja datih ulaznih varijabli na date izlazne varijable. Ova mapiranja se nazivaju modeli.

Bottom of Form

Koncept koji povezujemo sa mapiranjem je funkcija. Na času matematike čuli ste mnogo o funkcijama kao što su mapiranja ulaza-izlaz. Na primer, funkcija jedne varijable \(y = 2x + 4\) mapira ulaz \(x = 5\) na vrednost \(y = 14\), dok funkcija višestrukih varijabli \(y = 2x1 − 3x2 + x3 + 5\) mapira ulaz \((x1,x2,x3)=(1,− 1,3)\) na vrednost \(y = 13\). Varijable koje se pojavljuju u funkcijama su povezane sa vrednostima atributa. Dakle, x u prvoj funkciji može predstavljati kvadraturu imovine, dok \(x1, x2, x3\) u drugoj funkciji može predstavljati vrijednosti atributa kao što su geografska širina, dužina i jačina zemljotresa. Na času matematike čuli ste da postoje različite klase funkcija (linearne, polinomske, trigonometrijske, eksponencijalne, logaritamske), i da svaku od njih karakterišu neke posebne osobine kao što su kontinuitet, monotonija ili konveksnost. Sve ovo znanje je dobrodošlo kada tražite pravi model.

Složenost  funkcije je nešto što nećemo formalno uvesti. Shvatićete da su neke funkcije jednostavnije od drugih "kobasica". Jednostavne funkcije su korisnije za rad i lakše razumljive, ali nam ne daju mnogo slobode da opiše neke od neobičnijih odnosa između samih atributa i izlaza. S druge strane, složene funkcije su složene sa razlogom, tako da nam može biti teško da pratimo neka od njihovih matematičkih ponašanja koja mogu uticati na učenje. Pokušavamo da uspostavimo ravnotežu između složenosti i onoga što znamo o podacima i onoga što želimo da naučimo.

 U modelima, kao što smo videli u uvodnom primeru cena nekretnina, mogu se pojaviti parametri kao što su k i n. Takvi modeli se nazivaju parametarski modeli i zadatak određivanja pravog modela svodi se na zadatak određivanja najboljih vrednosti parametara. U linearnom modelu, samo dva parametra pojavila u zadatku cena nekretnina, dok moderni modeli, Oni koji se zasnivaju na neuronskim mrežama imaju milione ili milijarde parametara. Videćemo da postoje i malo drugačiji neparametarski modeli , čiji su oblici različito izraženi.

Proces pronalaženja modela naziva se obuka modela. Ako u modelu postoje nepoznati parametri, moramo odrediti njihove vrednosti tokom treninga. To je naš cilj.

U skupu podataka koji se koristi za obuku modela, mogu se naći i netačne ili kontradiktorne vrednosti. Zato modeli nikada nisu apsolutno tačni. Ovo nas dovodi do još jednog važnog koncepta u teoriji mašinskog učenja: funkcija gubitka. Funkcija greške nam govori koliko je model pogrešan. Aktivno koristimo njegove vrednosti tokom obuke modela i težimo onim konfiguracijama modela koje nas vode do najniže vrednosti funkcije greške. U slučaju parametarskih modela, kao što je to bio slučaj u uvodnom primeru sa nekretninama, cilj je da se utvrde one vrednosti parametara za koje je vrednost funkcije greške najniža.

Kada treniramo model mašinskog učenja, moramo da procenimo koliko je on zapravo dobar za primenu u praksi. To je ono što nam služe takozvane mere kvaliteta - svaka od njih je prilagođena određenom zadatku učenja i domenu u kojem će se model primenjivati. Važno je naglasiti da se, generalno, funkcija greške i mjere kvaliteta razlikuju. Oba imaju za cilj da nam daju informacije o tome koliko je dobar model, funkcija greške to radi tokom obuke modela, dok mere kvaliteta to rade nakon obuke modela. Funkcija greške je usko povezana sa modelom, dok su mere kvaliteta dizajnirane tako da ih mogu razumeti i korisnici i stručnjaci domena. Ako se ne dobiju tačne vrednosti kvaliteta, model se mora popraviti. U nastavku ćemo govoriti o tome šta to znači i kako se to može postići. Čitav proces testiranja kvaliteta modela i izračunavanja njegovih mera kvaliteta naziva se testiranje modela.

Tipično, vrednosti izračunate i generisane od strane obučenog modela nazivaju se predviđanja. Dakle, cena nove imovine ili procena razaranja zemljotresa su primeri predviđanja modela. Zbog toga govorimo o predviđanjima u svetu veštačke inteligencije. Jasno vam je da ova predviđanja nikako nisu slučajna, već veoma dobro utemeljena i zasnovana na podacima. Primena samog modela se takođe naziva zaključivanje.

Svi termini koji su naglašeni su važni koncepti mašinskog učenja i uvek su prisutni u literaturi o mašinskom učenju i njegovim primenama. Zato je važno da su vam jasni i da razumete kakvu ulogu igraju u razvoju modela.

Last modified: Monday, 15 December 2025, 7:48 PM