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 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 .