4. Машинско учење

Машининското учење има постигнато многу успешни резултати во областите на компјутерска визија и препознавање на говор. За првпат машинското учење за креирање на музиката е искористено во 1960 год., од страна на рускиот истражувач R. Kh. Zaripov , по што почнало да се смета како успешна техника за крерирање музика. Бидејќи има бројни трудови на оваа тема, а резултатите се задоволителни, го избрав како метод за генерирање на македонска народна мелодија.

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.

Невронските мрежи, како дел од надгледувано машинско учење, се користат за решавање на многу проблеми од секојдневниот живот, како на пр. во системи за предвидување на текст, менување на стил на слика, класифицирање на болести во медицината и сл. Корисни се заради тоа што добро се справуваат со секвенциони податоци, како што е музиката, а посебен вид на невронски мрежи, наречени рекурентни невронски мрежи овозможуваат справување со секој дел од секвенциониот податок. Рекурентните н. мрежи се користат за решавање на било кој проблем поврзан со предвидување на временски низи, што е случај со музиката, претставена како ноти во времето. Постојат повеќе видови на рекурентни невронски мрежи меѓу кои: двонасочни р.н.м., длабоки двонасочни р.н.м., р.н.м. со долго-краткорочна меморија. Од нив ги избрав р.н.м. со долго-краткорочна меморија затоа што се способни да го научат контекстот и го решаваат проблемот со меморија на р.н.м.

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 .