Veštačka inteligencija → Modul 2 → Kako mašina uči

Kako mašina uči: primeri umesto pravila

U prvom modulu videli smo da veštačka inteligencija pravila ne dobija od programera, nego ih „uči“ iz primera. Ali šta tačno znači da računar uči? U ovoj lekciji prolazimo kroz ceo postupak – od podataka do modela koji pogađa – i učimo kako se proverava da li je model zaista nešto naučio.

Učenje iz primera

Seti se kako si naučio da razlikuješ psa od mačke. Niko ti nije dao spisak pravila – video si mnogo pasa i mnogo mačaka i neko ti je rekao „ovo je pas“, „ovo je maca“. Posle nekog vremena prepoznaješ i životinje koje nikada ranije nisi video.

Mašinsko učenje radi slično: računaru damo mnogo primera sa tačnim odgovorom, a on traži pravilo koje povezuje primere i odgovore. Ono što na kraju nastane zove se model.

Četiri koraka mašinskog učenja

Zašto se proverava na novim primerima

Zamisli učenika koji je napamet naučio rešenja iz zbirke, a ne razume postupak. Na zadacima iz zbirke dobija sve tačno – ali na kontrolnom, sa novim brojevima, ne zna ništa.

Isto može da se desi i modelu: „nabuba“ primere, a ne nauči pravilo. To se zove preprilagođavanje (engl. overfitting). Zato podatke delimo: veći deo (na primer 80 %) koristimo za učenje, a manji deo (20 %) čuvamo za proveru – model ga ne vidi dok uči.

Kako merimo koliko je model dobar

Najjednostavnija mera je tačnost: koliko je odgovora od ukupnog broja bilo tačno.

tačnost = broj tačnih odgovora / broj svih primera · 100 %

Ako je model od 60 fotografija za proveru tačno prepoznao 54, tačnost je 54 / 60 · 100 % = 90 %.

Ovakva tabela pokazuje gde model greši: banane uvek prepoznaje, ali ponekad meša jabuke i pomorandže (crvene pomorandže? zelene jabuke?). Ukupno je tačno 18 + 20 + 16 = 54 od 60.

Aktivnost: budi ti algoritam

U tabeli su životinje sa osobinama i oznakom. Pronađi jednostavno pravilo po kome se razlikuju ptice od ostalih životinja, pa ga proveri na novim primerima.

Novi primeri za proveru: pingvin (krila da, leti ne, perje da, 2 noge), slepi miš (krila da, leti da, perje ne, 2 noge), noj (krila da, leti ne, perje da, 2 noge).

Česte zablude

• „Što duže model uči, to je bolji“ – posle nekog vremena model počne da pamti primere napamet i na novim primerima bude lošiji – zato se prati provera.
• „Tačnost 100 % na primerima za učenje znači savršen model“ – važna je tačnost na primerima koje model nije video.
• „Model razume šta je jabuka“ – model je naučio vezu između piksela i oznake, a ne šta je jabuka u stvarnom svetu.

Zadaci za vežbu

Pokušaj prvo sam, pa tek onda otvori rešenje.

1. Poređaj korake: provera, upotreba, podaci, trening.
2. Model je od 200 slika za proveru tačno prepoznao 170. Kolika je tačnost?
3. Model koji prepoznaje cveće ima tačnost 99 % na slikama za učenje, a samo 60 % na slikama za proveru. Šta se verovatno desilo i šta bi pomoglo?

Proveri znanje