| | 1 | **Машинско учење** |
| | 2 | |
| | 3 | Способноста на компјутерот да учи, без да биде експлицитно програмиран за тоа, е овозможена со област од вештачката интелигенција наречена машинско учење. Машинското учење ги проучува податоците со помош на алгоритми кои што можат да учат а потоа прави предвидувања за нови податоци. Тие предвидувања се прават врз основа на научен модел, кој е трениран на одредени податоци (примероци). |
| | 4 | Примени на машинско учење можеме да видеме во проблеми кои решаваат класифицирање на податоци, групирање, регресија и сл. Практично машинското учење е имплементирано и се користи во: |
| | 5 | - Компјутерска визија |
| | 6 | - Податочно рударење |
| | 7 | - Машинско преведување |
| | 8 | - Препознавање на шеми |
| | 9 | - Биомедицинска информатика |
| | 10 | - Пребарувачи |
| | 11 | - Музика, |
| | 12 | и во многу други области и подгранки на овие области. Постојат повеќе методи за машинско учење. Некои од нив се: надгледувано учење, ненадгледувано учење, делумно-надгледувано учење, намалување на димензионалноста и др. Методот кој ќе биде претставен во овој труд е надгледувано учење со помош на вештачки невронски мрежи. Вештачките невронски мрежи се компјутерски системи кои се инспирирани од природата и не претставуваат алгоритам туку рамка по која алгоритмите за машинско учење работат. Најпрво ќе дискутирам за рекурентни невронски мрежи, а потоа за посебен тип на рекуренти невронски мрежи наречен LSTM . |
