Predavanje u vezi veštačke inteligencije. Objašnjava kratku istoriju, tipove i pod-domene veštačke inteligencije, kao i otvara diskusiju u vezi bezbednosti i sigurnosti sistema zasnovanim na veštačkoj inteligenciji
Predavanje u vezi veštačke inteligencije. Objašnjava kratku istoriju, tipove i pod-domene veštačke inteligencije, kao i otvara diskusiju u vezi bezbednosti i sigurnosti sistema zasnovanim na veštačkoj inteligenciji
Šta je zagađivanje, koji su tipovi zagađivanja, šta su polutanti. Interaktivna prezentacija sa ukrštenicom, asocijacijom i zadacima koji će učenicima održati pažnju i aktivnost.
SIDA-AIDS (sindrom stečene imunodeficijencije) to je polno prenosiva bolest koja predstavlja poslednji stadijum infekcije organizma virusom humane imunodeficijencije (HIV), a karakteriše je progresivno slabljenje imunskog sistema što pojedince čini podložnim širokom sprektru infekcija i tumora.
Sve što ste želeli da sazante o dinosaurusima-period u kome su živeli, karakteristike, način života, raznovrsnost, razlog izumiranja, raznovrsnost.
Napomena: prezentacija nije u potpunosti moje autorsko delo, nego predstavlja kombinaciju dve prezentacije, koleginice Marijane Punović i mog učenika Nikole Šebeka i nekih mojih dodataka u vidu slika.
Duvan se konzumira najčešće metodom pušenja (u obliku cigarete ili se puši u luli), ali i žvakanjem, i retko ušmrkavanjem (sitnog praha koji nastaje finim mlevenjem).
Šta je zagađivanje, koji su tipovi zagađivanja, šta su polutanti. Interaktivna prezentacija sa ukrštenicom, asocijacijom i zadacima koji će učenicima održati pažnju i aktivnost.
SIDA-AIDS (sindrom stečene imunodeficijencije) to je polno prenosiva bolest koja predstavlja poslednji stadijum infekcije organizma virusom humane imunodeficijencije (HIV), a karakteriše je progresivno slabljenje imunskog sistema što pojedince čini podložnim širokom sprektru infekcija i tumora.
Sve što ste želeli da sazante o dinosaurusima-period u kome su živeli, karakteristike, način života, raznovrsnost, razlog izumiranja, raznovrsnost.
Napomena: prezentacija nije u potpunosti moje autorsko delo, nego predstavlja kombinaciju dve prezentacije, koleginice Marijane Punović i mog učenika Nikole Šebeka i nekih mojih dodataka u vidu slika.
Duvan se konzumira najčešće metodom pušenja (u obliku cigarete ili se puši u luli), ali i žvakanjem, i retko ušmrkavanjem (sitnog praha koji nastaje finim mlevenjem).
Sastanak zajednice Microsoft prodavača - Sales readinessTomislav Lulic
Sastanak Microsoft prodavača održan 31.10.2013. u prostorijama Microsoft Hrvatska. Jedna od tema bila je i vođenje softverskog inventara, odnosno, kako napraviti prodajnu priliku vezanu za Get2Modern kampanju.
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
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
Startap Enlitic, koji se bavi mašinskim učenjem, nahranio je svoj algoritam podacima miliona pacijenata, izgradivši “neuralnu mrežu ljudskog tela”. Među podacima su bili i snimci pluća, a rezultati testiranja pokazali su prednost algoritma pri detekciji raka u poređenju sa četvoro najboljih svetskih radiologa. Dok su radiolozi promašili detekciju raka u 7% slučajeva, algoritam nije omanuo.
Ova slika prikazuje model predviđanja broja zaraženih slučajeva za SAD po njegovom trenutnom modelu uz karantinsku kontrolu i eksponencijalni rast broja zaraženih ukoliko su karantinske mjere ublažene. S druge strane, prelazak na jače karantinske mere kakve se sprovode u Vuhanu, Italiji i Južnoj Koreji, moglo bi pre dovesti do smanjenja broja zaraženih.