prezentacija na temu masinskog ucenja, radjena u maju 2020.

1. MAŠINSKO
UČENJE
MACHINE LEARNING (ML)

2. ŠTA JE MAŠINSKO UČENJE?
Sposobnost softverskog sistema da
uči iz iskustva

3. OBLICI MAŠINSKOG UČENJA
NADGLEDANO
UČENJE
UČENJE UZ
PODSTICAJE
NENADGLEDANO
UČENJE
VOĐENO
ZADACIMA
UČENJE IZ
GREŠAKA
VOĐENO
PODACIMA

4. KORACI PROCESA MAŠINSKOG UČENJA
01 02 03 04 05
Prikupljanje i
pripremanje
podataka
Analiza
rezultujućih
podataka
Izbor metoda
učenja
Izbor modela koji
će se koristiti
Testiranje

5. PRIMJENA
● Video nadzor
● Online zaštita Captcha
● Automatsko prevođenje
● Asistenti: Siri i Alexa
● Otključavanje ekrana
● Autonomna vozila
● Email filteri
● Predviđanje cijena na berzi
● Chatbotovi
● Predlaganje Google pretrage
● Reklame
● Prijedlozi na Facebook-u,
Netflix-u, YouTube-u...
PREPOZNAVANJE
GOVORA I LICA
PRIJEDLOZI
MEDICINA
I DRUGE
OBLASTI...
SIGURNOST
● Prepoznavanje bolesti
● Predviđanje stanja pacijenta i
određivanje terapije
● Praćenje epidemije

6. ZNAČAJ ZA MEDICINU

7. KOMPJUTERSKA TOMOGRAFIJA
• Enlitic, platforma koja se za sad koristi samo u svrhu istraživanja, predstavlja spoj ljudskog
znanja i mašinskog učenja za ranu detekciju kancera.

8. EPIDEMIOLOGIJA
• Algoritam mašinskog učenja kombinuje podatke o širenju bolesti s neuronskom mrežom
kako bi se predvidjelo kada će se broj zaraženih smanjiti.

9. • Bluedot - softver za prepoznavanje rizika od epidemije, među prvima u svetu je
identifikovao rizik od nastajanja epidemije COVID-19 i obavjestio klijente 31. decembra 2019.

10. MAŠINSKO UČENJE U SVAKODNEVNOM ŽIVOTU
Algoritmi mašinskog učenja
Proučavaju korisnike,
njihova interesovanja
i navike
Razumiju sadržaj
baze podataka
Website ili aplikacija
Prikazuje prijedlog ili
reklamu
Sistemizapredlaganje
Povezuju odgovarajuće
korisnike i predmete

11. Prepoznavanje lica je softver koja
može da identifikuje ili verifikuje osobu
upoređujući i analizirajući obrasce na
osnovu kontura lica. Prepoznavanje
lica se uglavnom koristi u sigurnosne
svrhe,(npr. Face ID) iako postoji sve
veći interes za druga područja
upotrebe (npr. Snapchat filteri).

12. • Chatbotovi su danas napredni i zasnovani su na
nenadgledanom učenju.
• Chatbot treba da:
a) Ponudi informativan i tačan odgovor
b) Održi kontekst razgovora
c) Bude nalik čovjeku

13. VIRTUELNI
ASISTENTI
softver ugrađen u pametne telefone i druge
uređaje koji ljudima olakšava zadatke
NAJPOPULARNIJI
• Kontinuirano se prilagođava individualnim upotrebama jezika korisnika i
pojedinačnim preferencijama, stoga su povratni rezultati individualizovani
NAJBOLJA INTEGRACIJA SA OSTALIM UREĐAJIMA
• Predstavljen 2014. godine
• Dostupan na engleskom, njemačkom, japanskom i francuskom jeziku
NAJBOLJE REAGUJE NA GLASOVNE KOMANDE
• Dostupan u 90 država i na više od 30 jezika, koristi ga više od pola miliona
korisnika mjesečno
• Može da učestvuje u dvosmjernim razgovorima
AMAZON
ALEXA
GOOGLE
ASSISTANT
SIRI

14. BUDUĆNOST MAŠINSKOG UČENJA
RAČUNARSKI VID (computer vision)
• greška 3%
• računari su bolji u prepoznavanju i analiziranju slika od čovjeka
• velika mogućnost primjene:
a. klasifikacija slika
b. pomoć prilikom dijagnostike

15. OBRADA PRIRODNOG JEZIKA (natural language
processing - NLP)
• jezički modeli
• razumijevanje teksta
• primjena novih modela kod NLP

16. PROBLEMI KOD MAŠINSKOG UČENJA
• rješavanje svakog novog problema
ispočetka
• nedostatak dobrih podataka
• etički problemi

17. STVARANJE UNIVERZALNOG MODELA
• multifunkcionalnost
• treniranje u različitim oblastima
• izazovi

18. HVALA NA
PAŽNJI