Strojno učenje
Strojno učenje (engl. machine learning, ML) područje je koje razvija, proučava i primjenjuje statističke algoritme, poznate i kao algoritmi učenja. Takvi algoritmi mogu naučiti rješavati složene probleme kod kojih se način rješavanja ne može jednostavno opisati skupom unaprijed zadanih pravila. Za učenje se koriste velike količine primjera odnosno podataka. Jedna od poznatih primjena strojnog učenja jest prepoznavanje slika. U matematičkoj statistici ovo se područje naziva i statističkim učenjem.[1]
Algoritam učenja na temelju zadanih primjera podataka izgrađuje matematički model. Tijekom postupka koji se naziva treniranjem model se prilagođava tako da naučeno iz primjera može primijeniti i na nove slučajeve. Dobiveni način rješavanja problema pohranjen je u modelu i nije izravno programiran. Nakon treniranja model se može koristiti za predviđanje na temelju novih podataka te za stvaranje preporuka ili donošenje odluka.[1]
Strojno učenje ima velik broj područja primjene. Među njima su filtriranje neželjene elektroničke pošte, automatizirani dijagnostički postupci, otkrivanje prijevara s kreditnim karticama, analize tržišta kapitala, klasifikacija nukleotidnih sekvencija te prepoznavanje govora i prepoznavanje teksta. Od 2023. široku su popularnost stekli i tekstualni dijaloški sustavi koji različite zadatke obavljaju pomoću modela treniranih strojnim učenjem.[2]
Općenito, algoritam tijekom treniranja iz primjera podataka uči funkciju koja bi trebala dati ispravan rezultat i za nove podatke koje prethodno nije susreo. Postoji više načina učenja, a međusobno se razlikuju prema tome odakle algoritam tijekom treniranja dobiva informacije o tome koji je rezultat ispravan.[3]
Najčešće se primjenjuje nadzirano učenje, pri kojem algoritam dobiva poznate ispravne rezultate ili povratne informacije. Kod nenadziranog učenja takve upute nisu zadane pa algoritam sam traži obrasce u podacima, primjerice kriterije prema kojima se podaci mogu rasporediti u različite skupine ili međusobno povezane značajke kojima se podaci mogu pojednostavniti. Zbog nepostojanja unaprijed zadanog ispravnog rješenja takvi algoritmi mogu ponuditi različita rješenja koja je potom potrebno vrednovati. Kod podržanog učenja sustavi, odnosno agenti, promatraju okolinu i izvode određene radnje za koje dobivaju nagrade. Na taj način samostalno razvijaju strategiju kojom nastoje ostvariti što veću ukupnu nagradu.[2]
Izvori
- ↑ 1,0 1,1 What is Machine Learning? Google for Developers Preuzeto 23. kolovoza 2026.
- ↑ 2,0 2,1 What is Machine Learning? IBM Preuzeto 23. kolovoza 2026.
- ↑ Machine Learning Glossary Google for Developers Preuzeto 23. kolovoza 2026.