What is Machine Learning? (7 min)

Šta je mašinsko učenje? U ovom videu ćemo pokušati da definišemo šta je to i pokušati

da vam damo osećaj kada želite da koristite mašinsko učenje. Čak i među

onima koji se bave mašinskim učenjem ne postoji opšte prihvaćena definicija šta je a šta

nije mašinsko učenje. Ali dozvolite mi da vam pokažem par primera na koji način

su ljudi pokušali da ga definišu. Evo definicije šta je mašinsko učenje

po Arturu Semjuelu. On je definisao mašinsko učenje kao studijsko polje koje daje

računarima mogućnost da uče bez da bivaju eksplicitno programirani. Semjuelov trenutak

slave se zbio 1950-ih, kada je naprisao program za igranje dame. I

zapanjujuća stvar u vezi sa programom za igranje dame, je bila da sam Artur Semjuel

nije bio veoma dobar igrač dame. Ali ono što je on uradio, je da je programirao računar da igra

desetine hiljada igara protiv sebe. A takođe gledanjem koje vrste pozicija

na tabli su skloni da vode do pobede, i koja vrsta pozicija na tabli je sklona da vodi ka

porazima. Program za igranje dame, uči tokom vremena šta su dobre pozicije

na tabli a šta su loše pozicije na tabli. I kao ishod, naučio je da igra

damu bolje nego je što Artur Semjuel bio u stanju da igra. Ovo je bio izvanredan rezultat.

Ispostavilo da sam Artur Semjuel nije bio naročito dobar igrač dame, ali zato je

računar imao strpljenja da igra desetine hiljada igara samostalno. Nijedan

čovek nema strpljenja da igra toliko puno igara.
Na taj način računar je bio u stanju

da stekne puno iskustva u igranju dame, tako da je konačno postao

bolji igrač dame od samog Artura Semjuela. Ovo je više neformalna

i jedna od starijih definicija. Evo nešto novije definicije od Toma

Mičela, koji je prijatelj sa Karnegi Melon univerziteta. Tom definiše mašinsko učenje

govoreći da je dobro postavljen problem mašinskog učenja definisan na sledeći način. Kaže se da računarski

program uči iz iskustva E, u odnosu na neki zadatak T, i neku

meru učinka P, ako se taj učinak zadatka T meren sa P poboljšava

iskustvom E. U stvari ja mislim da je on u stvari smislio ovu definiciju samo da bi se

rimovala. Za primer igranja dame, iskustvo E bi bilo

iskustvo koje program stiče igrajući desetine hiljada igara protiv sebe.

Zadatak T, bi bio zadatak igranja dame. A mera učinka P

bi bila verovatnoća da će dobiti sledeću igru dame protiv

nekog novog protivnika. Kroz ove video snimke, pored toga što ću probati da vas naučim

novim stvarima, povremeno ću vas pitati pitanje da bih bio siguran da razumete

sadržaj. Evo i jedne od najboljih definicija mašinskog učenja od strane Toma

Mičela. Recimo da vaš i-mejl program gleda i-mejlove koje vi označavate ili ne označavate

kao spam. Tako u i-mejl klijentu kao što je ovaj možete kliknti ovo spam dugme da označite

neke i-mejlove kao spam, a ostale ne.
Na osnovu toga koje i-mejlove ste označili kao

spam, vaš i-mejl program bolje uči kako da filtrira spam i-mejlove. Šta je

zadatak T u ovoj situaciji? Za par sekundi, video će se zaustaviti. Kada se to desi,

možete koristiti vašeg miša da selektujete jednu od četiri opcije, da mi kažete

za koji od ovih četiri mislite da je pravi odgovor na pitanje. To bi moglo

da bude mera učinkovitosti P. Prema tome, učinkovitost našeg zadatka, sistemska

učinkovitosti na zadatku T, tj. mera učinkovitosti P, će se poboljšati nakon

iskustva E. Nadam se da ću vas na ovom času naučiti o različitim tipovima

algoritama mašinskog učenja. Postoji nekoliko različitih tipova algoritama mašinskog učenja.

Dva glavna tipa su ono što nazivamo nadzirano i nenadzirano

učenje. U sledećih nekoliko video snimaka ću definisati šta ovi termini znače. Ali

u nadziranom učenju, ideja je da ćemo mi naučiti

računar kako da uradi nešto, dok ćemo u nenadziranom učenju pustiti

računar da to radi sam. Ne brinite ukoliko vam ova dva termina trenutno nemaju smisla, u

sledeća dva video snimka ja ću vam tačno reći šta su ova dva tipa mašinskog učenja.

Takođe ćete čuti ostale aktuelne termine kao što su učenje uslovljavanjem (eng. reinforcement learning) i

sistemi za preporučivanje (recommender systems). Ovo su drugi tipovi algoritama mašinskog učenja o kojima ćemo govoriti

kasnije a dva najkorišćenija tipa algoritama za mašinsko učenje su verovatno

nadzirano (supervised) i nenadzirano učenje (unsupervised learning) i ja ću ih definisati u sledeća

dva video snimka i provešću većinu časa govoreći o ova dva tipa

algoritma mašinskog učenja. Jedna od stvari na koju ću potrošiti dosta vremena

na ovom času su praktični saveti za primenu algoritama za mašinsko učenje. Ovo je

nešto što mi je vrlo bitno, i to je zapravo nešto za što

ne znam da se uči na bilo kom drugom univerzitetu.
Učenje o algoritmima mašinskog učenja

je kao da vam neko da set alata.
Jednako važeno ili još

važnije od toga da vam neko da alate, jeste da vas nauči kako da primenite te alate. Ja volim da

napravim analogiju sa učenjem za stolara. Zamislite da vas neko

uči kako da postanete stolar i on vam kaže evo čekić, evo

Imate sve te alate, ali još važnija stvar je da naučite kako da koristite

ove alate na pravi način. Postoji ogromna razlika između ljudi koji

znaju kako da koriste algoritme za mašinsko učenje, naspram ljudi koji ne znaju

kako da koriste ove alate na pravi način. Ovde u Silicijumskoj dolini gde ja živi, kada idem da

posetim različite kompanije, čak i u najboljim kompanijama u Silicijumskoj dolini veoma često vidim

da ljudi pokušavaju da primene algoritme mašinskog učenja na neki problem i

ponekad to rade po šest meseci. Ali ponekad kada pogledam na

to šta su uradili, kažem im - zaboga, mogao sam

da vam kažem šest pre meseci da je trebalo da uzmete algoritam za mašinsko učenje i

da ga primenite na neznatno modifikovan način i vaše šanse za uspeh bi bile

mnogo veće. Prema tome ono što ćemo uraditi na ovom času je zapravo da potrošimo mnogo

vremena pričajući o tome kako, ukoliko pokušate da razvijete sistem za mašinsko učenje,

kako da napravite odluke u skladu sa najboljom praksom, o načinu na koji da

izgradite vaš sistem tako da, kada primenite algoritam mašinskog učenja, bude manje

verovatno da ćete završiti kao jedan od tih ljudi koji su završili šest meseci tražeći

pravi put. Neko drugi bi mogao pomisliti da to jednostavno uopšte neće raditi

i da je to samo protraćenih šest meseci. Zato nameravam da potrošim

dosta vremena učeći vas tim vrstama najboljih praksi u mašinskom učenju i

VI (veštačkoj inteligenciji) i kako da naterate te stvari da rade i kako mi to radimo, kako najbolji ljudi to rade u

Silicijumskoj dolini i u celom svetu. Nadam se da ću napraviti od vas neke od najboljih stručnjaka

koji će znati kako da dizajniraju i prave ozbiljne sisteme mašinskog učenja i AI sisteme. Dakle,

ovo je mašinsko učenje i ovo su glavne teme za koje se nadam da ću da vas naučim. U sledećem

videu ću definisati šta je nadgledano učenje a posle toga, šta

je nenadgledano učenje. Nakon toga, pričaću o tome kada bi se moglo upotrebiti svako od njih.