4. Машинско учење

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.

Тука не е објаснето зошто од сите други методи токму NN, RNN и LSTM, дури потоа може да се каже дека заради тоа во следниот текст ќе биде разгледано следното.

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 .