**4. Машинско учење**

{{{#!box type=todo
Тука недостасува дискусија која ќе допрецизира зошто би се фокусирале токму кон машинско учење. 
}}} 

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).  

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:

-	Компјутерска визија
-	Податочно рударење
-	Машинско преведување
-	Препознавање на шеми
-	Биомедицинска информатика
-	Пребарувачи
-	Музика,

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. 

{{{#!box type=todo
Тука не е објаснето зошто од сите други методи токму NN, RNN и LSTM ќе ги објаснуваш во повеќе детали. Треба прво тоа, па дури потоа може да се каже дека заради тоа во следниот текст што ќе биде разгледано.
}}} 

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 .