Машинско учење

Машинско учење је подобласт вештачке интелигенције чији је циљ конструисање

алгоритама и рачунарских система који су способни да се адаптирају на аналогне
нове ситуације и уче на бази искуства. Развијене су различите технике учења за
извршавање различитих задатака. Прве које су биле предмет истраживања, тичу се
надгледаног учења за дискреционо доношење одлука, надгледаног учења за
континуирано предвиђање и појачано учење за секвенционално доношење
одлука, као и ненадгледано учење.

Два најзначанија научника у овој области су Артур Самјуел и Том Мишел и они су
дали дефиниције машинског учења:

1. „Област науке која даје рачцунару могућцност да учи, а да претходно не

буде експлицитно програмиран.“, Артур Самјуел 1959.
2. ,,Каже се да рачунарски програм учи из искуства Е, узимајући у обзир неку
класу задатака Т и мерило учинка П, ако се његов учинак за задатке у Т,
мерен са П, побољшава са искуством Е.“

Његова дефиниција је битна јер је на тај начин материнско учење дефинисано

помоћу скупа објеката:

• задатка Т (једног или више),

• искуства Е,

• учинка П.

Одатле закључујемо да ако рачунар обрадује задатке Т, искуство Е би требало да

води ка повећању учинка П

У последњој деценији, са развојем дубоког учења, машинско учење је довело до

многих пробоја у области вештачке интелигенције, резултирајући изненађујућим
перформансама рачунарских система, које превазилазе успешност људских
експерата у неким доменима. Нека од најзанимљивијих скорашњих достигнућа у
којима машинско учење игра кључну улогу су аутономна вожња аутомобила и
аутономно управљање беспилотним летилицама, препознавање објеката на
сликама, препознавање говора, препознавање и филтрирање мејлова, учење
рачунара да победи у некој игри (шаху) без победничке стратегије...

До сада најбоље схваћен од свих наведених задатака је одлучивање преко једног

покушаја. Рачунару је дат опис једног објекта и од њега се очекује да као резултат
избаци класификацију тог објекта. На пример, програм за препознавање
алфанумеричких знакова као улазну вредност има дигитализовану слику неког
алфанумеричког знака, а као резултат треба да избаци његово име.

ПОДЕЛА:

Потреба за поделом машинског учења јавила се због развноврсности података који

се обрађују, односно узлазних и излазних параметара, као и због начина на који се
долази до жељене поделе.

1. Надгледно учење
Код надгледног учења за задате улазне податке дате су одговарајуће тачне
излазне вредности, односно за неке улазне параметре постоје излазни за
које знамо да су сигурно тачни. У том случају зна се да постоји веза између
улазних и излазних вредности, а задатак машинског учења јесте да научи то
генерално правило које их повезује. Проблеми (задаци) код надгледаног
учења разврставају се на регресивне и класификационе. Код регресивних
проблема циљ је да се резултат представи неком непрекидном функцијом
излазних параметара, тј. да се унете променљиве везе и да се дефинишу
неком непрекидном функцијом. Код класификационих проблема, циљ је да
се резултат представи у облику неке 2 дискретне излазне вредности. Другим
речима, тежи се ка томе да се излазни параметри представе дискретним
категоријама
ПРИМЕР: Дате су реалне величине куће и циљ је да се на основу величине
куће предвиђа њена цена. Цена као функција у зависности од величине куће
је непрекидни излазни параметар. Дакле, то је регресивни проблем. Али,
уколико је циљ да се сазна да ли је кућа продата за мању или већу цену од
предвиђене, уместо да се предвиди цена куће, то постаје класификациони
проблем. Ту се куће класификују у две дискретне категорије у зависности да
 ли су продате по предвиђеној цени (једна категорија) или нису (друга
категорија).

2. Ненадгледано учење
Ово учење нам омогућава да се проблему приближимо, а да немамо
никакво или скоро никакво предзнање односно представу о томе какви
резултати треба да буду. Алгоритму који учи се дају само подаци без излаза.
Код ненадгледаног учења могу да се праве структуре од података
(групације) и није неопходно да се зна какви су ефекти променљивих. Те
групације се праве на основу повезаности променљивих у подацима. Дакле,
циљ ненадгледаног учења је да уочи неке правилности меду подацима
и код њега нема повратне информације засноване на предвиђеним
резултатима. На пример, нема сигнала грешке или тачности да унапреди
потенцијално решење. Такоде, не ради се само о груписању података,
асоцијативна меморија је пример ненадгледаног учења, а користи се и у
многим интернет претрагама (на пример вести, чланака), на друштвеним
мрежама...
ПРИМЕР 2: Нека је дато 1000 есеја на тему економије у Америци. Задатак је
да се есеји поделе у мање групе, а критеријуми су да буду слични по
учесталости речи, дужини реченица, броју страница... То је
проблем који алгоритам машинског учења решава.

НЕДОСТАЦИ:
Међутим, постоје ограничења на оно што МЛ може да уради. На пример,
коришћење МЛ технологије у различитим индустријама захтева значајан
развој и програмирање од стране људи како би се специјализовао програм
или систем за врсте задатака које захтева индустрија. Такође захтевају
невероватно велике количине података и примере за „учење“ информација
које су јој потребне за доношење одлука и обављање задатака. Програми
МЛ су такође врло буквални у интерпретацији података и борби са
симболиком, као и неким врстама односа унутар резултата података, као
што су узрок и ефекат.
Наставак напредовања, међутим, доноси МЛ већу основну технологију која
свакодневно ствара паметније рачунаре.
ЗАКЉУЧАК:
Машинско учење постаје све популарнија тема у многим делатностима
данашњице. Алатка је која у многоме може да поједностави решавање
проблема са којима се људи свакодневно срећу, али и одради на бржи и
прецизнији начин.