> Sketchnote autora [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ml/)
## [Kviza prije predavanja](https://ff-quizzes.netlify.app/en/ml/)
---
---
[](https://youtu.be/N6wxM4wZ7V0 "Strojno učenje za početnike - Povijest strojnog učenja")
[](https://youtu.be/N6wxM4wZ7V0 "ML za početnike - Povijest strojnog učenja")
> 🎥 Kliknite na sliku iznad za kratki video koji obrađuje ovu lekciju.
> 🎥 Kliknite na gornju sliku za kratak video kroz ovu lekciju.
U ovoj lekciji proći ćemo kroz ključne prekretnice u povijesti strojnog učenja i umjetne inteligencije.
U ovoj lekciji proći ćemo glavne prekretnice u povijesti strojnog učenja i umjetne inteligencije.
Povijest umjetne inteligencije (AI) kao područja usko je povezana s poviješću strojnog učenja, budući da su algoritmi i računalni napredak koji čine temelj ML-a pridonijeli razvoju AI-a. Važno je zapamtiti da, iako su se ova područja kao zasebne discipline počela kristalizirati 1950-ih, važna [algoritamska, statistička, matematička, računalna i tehnička otkrića](https://wikipedia.org/wiki/Timeline_of_machine_learning) prethodila su tom razdoblju i preklapala se s njim. Zapravo, ljudi razmišljaju o ovim pitanjima već [stotinama godina](https://wikipedia.org/wiki/History_of_artificial_intelligence): ovaj članak raspravlja o povijesnim intelektualnim temeljima ideje o 'stroju koji razmišlja'.
Povijest umjetne inteligencije (AI) kao područja isprepletena je s poviješću strojnog učenja, jer su algoritmi i računalni napretci koji podupiru ML doprinijeli razvoju AI. Korisno je zapamtiti da su, iako su ova područja kao zasebna polja počela dobivati oblik u 1950-ima, važna [algoritamska, statistička, matematička, računalna i tehnička otkrića](https://wikipedia.org/wiki/Timeline_of_machine_learning) prethodila i preklapala se s tim razdobljem. Zapravo, ljudi razmišljaju o ovim pitanjima već [stotinama godina](https://wikipedia.org/wiki/History_of_artificial_intelligence): ovaj članak raspravlja o povijesnim intelektualnim temeljnim idejama o 'mašini koja razmišlja.'
---
---
## Značajna otkrića
## Značajna otkrića
- 1763, 1812 [Bayesov teorem](https://wikipedia.org/wiki/Bayes%27_theorem) i njegovi prethodnici. Ovaj teorem i njegove primjene čine temelj zaključivanja, opisujući vjerojatnost događaja na temelju prethodnog znanja.
- 1763, 1812 [Bayesov teorem](https://wikipedia.org/wiki/Bayes%27_theorem) i njegovi prethodnici. Ovaj teorem i njegova primjena temelje inferenciju, opisujući vjerojatnost da se događaj dogodi na temelju prethodnog znanja.
- 1805 [Teorija najmanjih kvadrata](https://wikipedia.org/wiki/Least_squares) francuskog matematičara Adriena-Marie Legendrea. Ova teorija, o kojoj ćete učiti u našoj jedinici o regresiji, pomaže u prilagodbi podataka.
- 1805 [Teorija najmanjih kvadrata](https://wikipedia.org/wiki/Least_squares) francuskog matematičara Adriena-Marie Legendrea. Ova teorija, o kojoj ćete učiti u našoj jedinici o regresiji, pomaže u prilagodbi podataka.
- 1913 [Markovljevi lanci](https://wikipedia.org/wiki/Markov_chain), nazvani po ruskom matematičaru Andreju Markovu, koriste se za opisivanje slijeda mogućih događaja na temelju prethodnog stanja.
- 1913 [Markovljevi lanci](https://wikipedia.org/wiki/Markov_chain), nazvani po ruskom matematičaru Andreyu Markovu, koriste se za opisivanje niza mogućih događaja temeljenih na prethodnom stanju.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) je vrsta linearnog klasifikatora koju je izumio američki psiholog Frank Rosenblatt, a koja čini temelj napretka u dubokom učenju.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) je vrsta linearnog klasifikatora kojeg je izumio američki psiholog Frank Rosenblatt i koji je temelj napretka u dubokom učenju.
---
---
- 1967 [Najbliži susjed](https://wikipedia.org/wiki/Nearest_neighbor) je algoritam izvorno dizajniran za mapiranje ruta. U kontekstu ML-a koristi se za otkrivanje uzoraka.
- 1967 [Najbliži susjed](https://wikipedia.org/wiki/Nearest_neighbor) je algoritam izvorno dizajniran za mapiranje ruta. U kontekstu ML-a koristi se za otkrivanje obrazaca.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) koristi se za treniranje [feedforward neuronskih mreža](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1970 [Unazadno širenje pogreške (Backpropagation)](https://wikipedia.org/wiki/Backpropagation) koristi se za treniranje [feedforward neuronskih mreža](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Rekurentne neuronske mreže](https://wikipedia.org/wiki/Recurrent_neural_network) su umjetne neuronske mreže izvedene iz feedforward neuronskih mreža koje stvaraju vremenske grafove.
- 1982 [Rekurentne neuronske mreže](https://wikipedia.org/wiki/Recurrent_neural_network) su umjetne neuronske mreže izvedene iz feedforward mreža koje stvaraju vremenske grafove.
✅ Istražite malo. Koji drugi datumi se ističu kao ključni u povijesti ML-a i AI-a?
✅ Malo istražite. Koji drugi datumi vam se čine ključnima u povijesti ML i AI?
---
---
## 1950: Strojevi koji razmišljaju
## 1950: Strojevi koji razmišljaju
Alan Turing, doista izvanredna osoba koju je [javnost 2019. godine](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) proglasila najvećim znanstvenikom 20. stoljeća, zaslužan je za postavljanje temelja koncepta 'stroja koji može razmišljati'. Suočavao se s kritičarima i vlastitom potrebom za empirijskim dokazima ovog koncepta djelomično stvaranjem [Turingovog testa](https://www.bbc.com/news/technology-18475646), koji ćete istražiti u našim lekcijama o NLP-u.
Alan Turing, zaista iznimna osoba koja je [2019. godine birana od javnosti](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) za najvećeg znanstvenika 20. stoljeća, zaslužan je za postavljanje temelja koncepta 'stroja koji može razmišljati.' Suočio se s skepticima i svojom potrebom za empirijskim dokazima ovog koncepta djelomično stvarajući [Turingov test](https://www.bbc.com/news/technology-18475646), koji ćete istražiti u našim NLP lekcijama.
---
---
## 1956: Ljetni istraživački projekt na Dartmouthu
## 1956: Dartmouth ljetni istraživački projekt
"Ljetni istraživački projekt na Dartmouthu o umjetnoj inteligenciji bio je ključni događaj za umjetnu inteligenciju kao područje," i ovdje je skovan termin 'umjetna inteligencija' ([izvor](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Dartmouth ljetni istraživački projekt o umjetnoj inteligenciji bio je presudan događaj za umjetnu inteligenciju kao polje," i ovdje je skovan termin 'umjetna inteligencija' ([izvor](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Svaki aspekt učenja ili bilo koja druga značajka inteligencije može se u načelu tako precizno opisati da se stroj može napraviti da ga simulira.
> Svaki aspekt učenja ili bilo koja druga značajka inteligencije može se načelno tako precizno opisati da se može napraviti stroj koji to može simulirati.
---
---
Glavni istraživač, profesor matematike John McCarthy, nadao se "nastaviti na temelju pretpostavke da se svaki aspekt učenja ili bilo koja druga značajka inteligencije može u načelu tako precizno opisati da se stroj može napraviti da ga simulira." Sudionici su uključivali još jednu istaknutu osobu u ovom području, Marvina Minskyja.
Glavni istraživač, profesor matematike John McCarthy, nadao se "nastaviti na osnovi pretpostavke da se svaki aspekt učenja ili bilo koja druga značajka inteligencije načelno može tako precizno opisati da se može napraviti stroj koji to može simulirati." Među sudionicima je bio i Marvin Minsky, još jedna svjetla osoba u ovom polju.
Radionica je zaslužna za pokretanje i poticanje nekoliko rasprava, uključujući "uspon simboličkih metoda, sustava usmjerenih na ograničene domene (rani ekspertni sustavi) i deduktivnih sustava naspram induktivnih sustava." ([izvor](https://wikipedia.org/wiki/Dartmouth_workshop)).
Radionica se pripisuje za pokretanje i poticanje nekoliko rasprava uključujući "uspon simboličkih metoda, sustava usmjerenih na ograničena područja (rani stručni sustavi) te deduktivnih sustava nasuprot induktivnim sustavima." ([izvor](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
---
## 1956 - 1974: "Zlatne godine"
## 1956 - 1974: "Zlatna godina"
Od 1950-ih do sredine '70-ih, optimizam je bio velik u nadi da AI može riješiti mnoge probleme. Godine 1967. Marvin Minsky je samouvjereno izjavio: "Unutar jedne generacije ... problem stvaranja 'umjetne inteligencije' bit će u velikoj mjeri riješen." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Od 1950-ih do sredine 70-ih optimizam je bio velik u nadi da AI može riješiti mnoge probleme. Godine 1967. Marvin Minsky je samouvjereno izjavio da će "unutar jedne generacije ... problem stvaranja 'umjetne inteligencije' biti značajno riješen." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Istraživanje obrade prirodnog jezika je cvjetalo, pretraživanje je usavršeno i postalo moćnije, a stvoren je koncept 'mikro-svjetova', gdje su jednostavni zadaci izvršavani koristeći upute u običnom jeziku.
Istraživanje obrade prirodnog jezika je napredovalo, pretrage su se usavršile i postale moćnije, a stvoren je koncept 'mikrosvjetova', gdje su jednostavni zadaci obavljani pomoću uputa običnim jezikom.
---
---
Istraživanje je bilo dobro financirano od strane vladinih agencija, postignut je napredak u računalstvu i algoritmima, a prototipovi inteligentnih strojeva su izgrađeni. Neki od tih strojeva uključuju:
Istraživanja su bila dobro financirana od strane državnih agencija, ostvareni su napreci u računanju i algoritmima, a izrađeni su prototipovi inteligentnih strojeva. Neki od tih strojeva su:
* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), koji se mogao kretati i odlučivati kako inteligentno obavljati zadatke.
* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), koji je mogao manevrirati i odlučivati kako pametno obavljati zadatke.
* "Blocks world" bio je primjer mikro-svijeta gdje su se blokovi mogli slagati i sortirati, a eksperimenti u podučavanju strojeva donošenju odluka mogli su se testirati. Napredak postignut s bibliotekama poput [SHRDLU](https://wikipedia.org/wiki/SHRDLU) pomogaoje u napretku obrade jezika.
* "Blocks world" bila je mikro-svijet u kojem su se blokovi mogli slagati i sortirati, a eksperimentiralo se u podučavanju strojeva donošenju odluka. Napreci ostvareni uz biblioteke poput [SHRDLU](https://wikipedia.org/wiki/SHRDLU) pomogli su u razvoju jezične obrade.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world sa SHRDLU")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world with SHRDLU")
> 🎥 Kliknite na sliku iznad za video: Blocks world sa SHRDLU
> 🎥 Kliknite na gornju sliku za video: Blocks world with SHRDLU
---
---
## 1974 - 1980: "Zima AI-a"
## 1974 - 1980: "Zima AI-a"
Do sredine 1970-ih postalo je jasno da je složenost stvaranja 'inteligentnih strojeva' bila podcijenjena i da je njezino obećanje, s obzirom na dostupnu računalnu snagu, bilo precijenjeno. Financiranje je presušilo, a povjerenje u ovo područje usporilo. Neki problemi koji su utjecali na povjerenje uključuju:
Do sredine 1970-ih postalo je jasno da je složenost stvaranja 'inteligentnih strojeva' bila podcijenjena, a obećanja, s obzirom na dostupnu računalnu snagu, preuveličana. Financiranje je presušilo i povjerenje u polje je oslabilo. Neki problemi koji su utjecali na povjerenje bili su:
---
---
- **Ograničenja**. Računalna snaga bila je previše ograničena.
- **Ograničenja**. Računalna snaga je bila premala.
- **Kombinatorna eksplozija**. Broj parametara koje je trebalo trenirati eksponencijalno je rastao kako se od računala tražilo više, bez paralelnog razvoja računalne snage i sposobnosti.
- **Kombinacijski eksplozija**. Broj parametara koje je trebalo trenirati rastao je eksponencijalno kako su računala morala rješavati više zadataka, bez paralelnog razvoja računalne snage i sposobnosti.
- **Nedostatak podataka**. Nedostatak podataka otežavao je proces testiranja, razvoja i usavršavanja algoritama.
- **Nedostatak podataka**. Nedostatak podataka otežavao je proces testiranja, razvoja i usavršavanja algoritama.
- **Postavljamo li prava pitanja?**. Sama pitanja koja su se postavljala počela su se dovoditi u pitanje. Istraživači su se suočavali s kritikama svojih pristupa:
- **Postavljamo li prava pitanja?**. Sama pitanja koja su postavljana počela su se dovoditi u pitanje. Istraživači su dobili kritike zbog svojih pristupa:
- Turingovi testovi dovedeni su u pitanje, između ostalog, teorijom 'kineske sobe' koja je tvrdila da "programiranje digitalnog računala može učiniti da izgleda kao da razumije jezik, ali ne može proizvesti stvarno razumijevanje." ([izvor](https://plato.stanford.edu/entries/chinese-room/))
- Turingovi testovi su dovedeni u pitanje, između ostalog, teorijom 'kineske sobe' koja tvrdi da "programiranje digitalnog računala može izgledati kao da razumije jezik, ali ne može proizvesti stvarno razumijevanje." ([izvor](https://plato.stanford.edu/entries/chinese-room/))
- Etika uvođenja umjetnih inteligencija poput "terapeuta" ELIZE u društvo bila je izazvana.
- Etičnost uvođenja umjetnih inteligencija poput "terapeuta" ELIZE u društvo je izazvana.
---
---
Istovremeno, počele su se formirati različite škole mišljenja o AI-u. Uspostavljena je dihotomija između praksi ["neurednog" i "urednog AI-a"](https://wikipedia.org/wiki/Neats_and_scruffies). _Neuredni_ laboratoriji su satima prilagođavali programe dok nisu postigli željene rezultate. _Uredni_ laboratoriji "fokusirali su se na logiku i formalno rješavanje problema". ELIZA i SHRDLU bili su poznati _neuredni_ sustavi. U 1980-ima, kako se pojavila potreba za reproducibilnošću ML sustava, _uredni_ pristup postupno je preuzeo primat jer su njegovi rezultati bili objašnjiviji.
U isto vrijeme, različite škole mišljenja o AI počele su se formirati. Utvrđena je dihotomija između ["nereda" i "uredne AI"](https://wikipedia.org/wiki/Neats_and_scruffies) praksi. _Neredni_ laboratoriji prilagođavali su programe satima dok nisu postigli željene rezultate. _Uredni_ laboratoriji su se "fokusirali na logiku i formalno rješavanje problema". ELIZA i SHRDLU bili su poznati _neredni_ sustavi. Tijekom 1980-ih, s potrebom da ML sustavi postanu reproducibilni, _uredni_ pristup je postupno preuzeo primat jer su njegovi rezultati jasniji za objašnjenje.
---
---
## 1980-e Ekspertni sustavi
## 1980-te Ekspertni sustavi
Kako je područje raslo, njegova korist za poslovanje postala je jasnija, a 1980-ih došlo je do proliferacije 'ekspertnih sustava'. "Ekspertni sustavi bili su među prvim zaista uspješnim oblicima softvera umjetne inteligencije (AI)." ([izvor](https://wikipedia.org/wiki/Expert_system)).
Kako je polje raslo, jasnoća koristi za poslovanje postala je vidljivija, a u 1980-ima i širenje 'ekspertnih sustava'. "Ekspertni sustavi bili su među prvima uistinu uspješnim oblicima softvera umjetne inteligencije (AI)." ([izvor](https://wikipedia.org/wiki/Expert_system)).
Ova vrsta sustava zapravo je _hibridna_, djelomično se sastoji od sustava pravila koji definira poslovne zahtjeve i sustava zaključivanja koji koristi sustav pravila za izvođenje novih činjenica.
Ovaj tip sustava zapravo je _hibridan_, dijelom se sastoji od pravila koja definiraju poslovne zahtjeve i inferencijskog motora koji koristi sustav pravila za izvođenje novih zaključaka.
Ovo razdoblje također je donijelo sve veći interes za neuronske mreže.
U to je vrijeme također porasla pažnja prema neuronskim mrežama.
---
---
## 1987 - 1993: AI 'hladnoća'
## 1987 - 1993: AI 'zatišje'
Proliferacija specijaliziranog hardvera za ekspertne sustave imala je nesretan učinak prevelike specijalizacije. Pojava osobnih računala također je konkurirala ovim velikim, specijaliziranim, centraliziranim sustavima. Demokratizacija računalstva je započela i na kraju otvorila put za modernu eksploziju velikih podataka.
Proširenje specijaliziranog hardvera za ekspertne sustave imalo je nesretan učinak prevelike specijalizacije. Rastuća popularnost osobnih računala natjecala se s ovim velikim, specijaliziranim, centraliziranim sustavima. Demokracija računarstva započela je i otvorila put za modernu eksploziju velikih podataka.
---
---
## 1993 - 2011
## 1993 - 2011
Ovo razdoblje donijelo je novu eru za ML i AI kako bi mogli riješiti neke probleme uzrokovane ranije nedostatkom podataka i računalne snage. Količina podataka počela je brzo rasti i postajati dostupnija, na bolje i na gore, posebno s pojavom pametnog telefona oko 2007. godine. Računalna snaga eksponencijalno se povećala, a algoritmi su se razvijali paralelno. Područje je počelo sazrijevati kako su slobodniji dani prošlosti počeli kristalizirati u pravu disciplinu.
Ovo je razdoblje donijelo novu eru za ML i AI da mogu riješiti neke probleme koji su ranije nastali zbog nedostatka podataka i računalne snage. Količina podataka počela je brzo rasti i postati široko dostupna, za bolje i za gore, posebno s pojavom pametnih telefona oko 2007. Računalna snaga rasla je eksponencijalno, a algoritmi su se zajedno razvijali. Polje je počelo stjecati zrelost dok su se slobodni dani prošlosti počeli oblikovati u pravu disciplinu.
---
---
## Sada
## Sada
Danas strojno učenje i AI dodiruju gotovo svaki dio našeg života. Ovo razdoblje zahtijeva pažljivo razumijevanje rizika i potencijalnih učinaka ovih algoritama na ljudske živote. Kako je izjavio Brad Smith iz Microsofta: "Informacijska tehnologija postavlja pitanja koja se tiču temeljnih zaštita ljudskih prava poput privatnosti i slobode izražavanja. Ova pitanja povećavaju odgovornost tehnoloških tvrtki koje stvaraju ove proizvode. Po našem mišljenju, također pozivaju na promišljenu regulaciju vlade i razvoj normi oko prihvatljivih upotreba" ([izvor](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Danas strojno učenje i AI dodiruju gotovo svaki dio naših života. Ovo razdoblje zahtijeva pažljivo razumijevanje rizika i potencijalnih učinaka ovih algoritama na ljudske živote. Kako je rekao Brad Smith iz Microsofta, "Informacijska tehnologija postavlja pitanja koja se tiču temeljnih ljudskih prava poput privatnosti i slobode izražavanja. Ta pitanja povećavaju odgovornost tehnoloških kompanija koje stvaraju te proizvode. Po našem mišljenju, također zahtijevaju promišljenu državnu regulaciju i razvoj normi o prihvatljivoj uporabi" ([izvor](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
---
Ostaje vidjeti što budućnost donosi, ali važno je razumjeti ove računalne sustave i softver te algoritme koje pokreću. Nadamo se da će vam ovaj kurikulum pomoći da steknete bolje razumijevanje kako biste sami mogli donijeti odluke.
Još uvijek ostaje za vidjeti što budućnost donosi, ali važno je razumjeti ove računalne sustave i softver i algoritme koje pokreću. Nadamo se da će vam ovaj kurikulum pomoći da steknete bolje razumijevanje kako biste mogli sami odlučiti.
> 🎥 Kliknite na sliku iznad za video: Yann LeCun raspravlja o povijesti dubokog učenja u ovom predavanju
> 🎥 Kliknite na gornju sliku za video: Yann LeCun raspravlja o povijesti dubokog učenja u ovom predavanju
---
---
## 🚀Izazov
## 🚀Izazov
Zaronite u jedan od ovih povijesnih trenutaka i saznajte više o ljudima koji stoje iza njih. Postoje fascinantni likovi, a nijedno znanstveno otkriće nikada nije nastalo u kulturnom vakuumu. Što otkrivate?
Zaronite u jedan od ovih povijesnih trenutaka i saznajte više o ljudima iza njih. Postoje fascinantni likovi, a nijedno znanstveno otkriće nikada nije nastalo u kulturnom vakuumu. Što otkrivate?
## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ml/)
## [Kviza nakon predavanja](https://ff-quizzes.netlify.app/en/ml/)
---
---
## Pregled i samostalno učenje
## Pregled i samostalno učenje
Evo stavki za gledanje i slušanje:
Evo stavki koje treba pogledati i poslušati:
[Ovaj podcast u kojem Amy Boyd raspravlja o evoluciji AI-a](http://runasradio.com/Shows/Show/739)
[Podcast u kojem Amy Boyd raspravlja o evoluciji AI](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Povijest AI-a od Amy Boyd")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Povijest AI-a od Amy Boyd")
@ -147,9 +147,11 @@ Evo stavki za gledanje i slušanje:
## Zadatak
## Zadatak
[Izradite vremensku crtu](assignment.md)
[Napravite vremensku crtu](assignment.md)
---
---
**Odricanje od odgovornosti**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Ovaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.
**Napomena**:
Ovaj dokument je preveden korištenjem AI prevoditeljskog servisa [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati greške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za važne informacije preporuča se profesionalni ljudski prijevod. Nismo odgovorni za bilo kakva nesporazumevanja ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda.
U ovom nastavnom programu počet ćete otkrivati kako strojno učenje može utjecati i utječe na naše svakodnevne živote. Čak i sada, sustavi i modeli sudjeluju u svakodnevnim odlukama, poput medicinskih dijagnoza, odobravanja kredita ili otkrivanja prijevara. Stoga je važno da ti modeli dobro funkcioniraju kako bi pružili rezultate koji su pouzdani. Baš kao i svaka softverska aplikacija, AI sustavi mogu razočarati ili imati neželjeni ishod. Zato je bitno razumjeti i objasniti ponašanje AI modela.
U ovom nastavnom programu počet ćete otkrivati kako strojno učenje može utjecati i već utječe na naše svakodnevne živote. Čak i sada, sustavi i modeli sudjeluju u svakodnevnim zadacima donošenja odluka, poput dijagnoza u zdravstvu, odobrenja kredita ili otkrivanja prijevara. Stoga je važno da ti modeli dobro funkcioniraju pružajući rezultate kojima se može vjerovati. Kao i svaki softverski program, AI sustavi mogu ne udovoljiti očekivanjima ili imati neželjene rezultate. Zato je ključno moći razumjeti i objasniti ponašanje AI modela.
Zamislite što se može dogoditi kada podaci koje koristite za izradu tih modela nedostaju određenih demografskih skupina, poput rase, spola, političkog stava, religije, ili ako takve skupine neproporcionalno zastupaju. Što ako se izlaz modela tumaci u korist neke demografske skupine? Koja je posljedica za aplikaciju? Nadalje, što se događa kada model ima neželjeni ishod i štetan je za ljude? Tko je odgovoran za ponašanje AI sustava? To su neka od pitanja koja ćemo istražiti u ovom nastavnom programu.
Zamislite što se može dogoditi kad podaci koje koristite za izgradnju tih modela ne sadrže određene demografske skupine, poput rase, spola, političkog stava, religije, ili neproporcionalno predstavljaju takve skupine. Što ako se izlaz modela tumači da favorizira neku demografsku skupinu? Koja je posljedica za aplikaciju? Uz to, što se događa kada model ima štetan ishod i nanosi štetu ljudima? Tko je odgovoran za ponašanje AI sustava? To su neka od pitanja koja ćemo obrađivati u ovom nastavnom programu.
U ovom ćete satu:
U ovoj lekciji ćete:
- Povećati svoju svijest o važnosti pravičnosti u strojnog učenja i štetama povezanim s pravičnošću.
- Podići svoju svijest o važnosti pravednosti u strojnome učenju i štetama povezanima s nepravednošću.
- Upoznati se s praksom istraživanja odstupanja i neuobičajenih scenarija kako bi se osigurala pouzdanost i sigurnost
- Upoznati se s praksom ispitivanja odstupanja i neobičnih scenarija kako bi se osigurala pouzdanost i sigurnost.
- Steći razumijevanje potrebe za osnaživanjem svih kroz dizajniranje inkluzivnih sustava
- Razumjeti potrebu osnaživanja svih dizajniranjem inkluzivnih sustava.
- Istražiti koliko je vitalno zaštititi privatnost i sigurnost podataka i ljudi
- Istražiti koliko je važno zaštititi privatnost i sigurnost podataka i ljudi.
- Vidjeti važnost pristupa "staklene kutije" za objašnjavanje ponašanja AI modela
- Vidjeti važnost pristupa kroz staklenu kutiju za objašnjenje ponašanja AI modela.
- Biti svjestan kako je odgovornost ključna za izgradnju povjerenja u AI sustave
- Razumjeti koliko je odgovornost ključna za izgradnju povjerenja u AI sustave.
## Preduvjet
## Preduvjet
Kao preduvjet, molimo da prođete "Principi odgovornog AI-ja" učenja i pogledate video u nastavku o toj temi:
Kao preduvjet, molimo vas da prođete "Principi odgovorne umjetne inteligencije" učenje i pogledate video u nastavku na tu temu:
Saznajte više o odgovornom AI-ju slijedeći ovaj [Učni put](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Saznajte više o odgovornoj umjetnoj inteligenciji prateći ovaj [Učenje Put](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Microsoftov pristup odgovornom AI-ju")
[](https://youtu.be/dnC8-uUZXSc "Microsoftov pristup odgovornoj umjetnoj inteligenciji")
> 🎥 Kliknite sliku gore za video: Microsoftov pristup odgovornom AI-ju
> 🎥 Kliknite sliku gore za video: Microsoftov pristup odgovornoj umjetnoj inteligenciji
## Pravičnost
## Pravednost
AI sustavi trebaju prema svima postupati pravično i izbjegavati utjecaj na slične skupine ljudi na različite načine. Na primjer, kada AI sustavi daju smjernice o medicinskom liječenju, zahtjevima za kredit ili zaposlenje, trebaju davati iste preporuke svima sa sličnim simptomima, financijskim okolnostima ili stručnim kvalifikacijama. Svaki od nas kao ljudi nosi naslijeđene pristranosti koje utječu na naše odluke i postupke. Te se pristranosti mogu očitovati u podacima koje koristimo za školovanje AI sustava. Takva manipulacija ponekad se događa i nenamjerno. Često je teško svjesno znati kada uvodite pristranost u podatke.
AI sustavi trebaju uvijek jednako tretirati sve i izbjegavati da utječu na slične skupine ljudi različito. Na primjer, kad AI sustavi daju smjernice o medicinskom tretmanu, zahtjevima za kredit ili zapošljavanju, trebali bi donositi iste preporuke svima sa sličnim simptomima, financijskim okolnostima ili profesionalnim kvalifikacijama. Svaki od nas kao ljudi nosi naslijeđene predrasude koje utječu na naše odluke i postupke. Te se predrasude mogu očitovati u podacima koje koristimo za treniranje AI sustava. Takve manipulacije ponekad mogu nastati nenamjerno. Često je teško svjesno znati kada uvodite pristranost u podatke.
**"Nepravednost"** obuhvaća negativne utjecaje ili "štete" za skupinu ljudi, kao što su one definirane prema rasi, spolu, dobi ili statusu invalidnosti. Glavne štete povezane s pravičnošću mogu se klasificirati kao:
**„Nepravednost“** obuhvaća negativne utjecaje ili „štete“ za skupinu ljudi, poput onih definiranih po rasi, spolu, dobi ili statusu invaliditeta. Glavne štete povezane s pravednošću mogu se klasificirati kao:
- **Dodjela**, ako se primjerice favorizira neki spol ili etnička skupina u odnosu na drugu.
- **Dodjela**, ako je na primjer favoritiziran spol ili etnička pripadnost nad drugima.
- **Kvaliteta usluge**. Ako ste obrađivali podatke za jedan određeni scenarij, ali je stvarnost puno složenija, to vodi do slabog kvalitativnog pružanja usluge. Na primjer, dozator sapuna koji nije mogao prepoznati ljude s tamnom puti. [Referenca](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Kvaliteta usluge**. Ako trenirate podatke za jedan specifičan scenarij, dok je stvarnost mnogo kompleksnija, to dovodi do lošeg performansa usluge. Na primjer, dozirnik tekućeg sapuna koji nije mogao prepoznati ljude tamnije kože. [Referenca](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Ocrnjivanje**. Nepravedno kritizirati i etiketirati nešto ili nekoga. Na primjer, tehnologija za označavanje slika zloglasno je pogrešno označila slike tamnoputih ljudi kao gorile.
- **Ograničavanje**. Nepravedno kritizirati i nalijepiti etiketu nečemu ili nekome. Na primjer, tehnologija označavanja slika poznata je po pogrešnom označavanju slika ljudi tamnije kože kao gorile.
- **Prevelika ili premala zastupljenost**. Ideja je da neka skupina nije vidljiva u određenoj profesiji, i bilo koja usluga ili funkcija koja to nastavlja promovirati pridonosi šteti.
- **Prevelika ili premala zastupljenost**. Ideja je da određena skupina nije vidljiva u određenom profesijom, a svaki servis ili funkcija koji to dalje promiče doprinosi šteti.
- **Stereotipiziranje**. Povezivanje određene skupine s unaprijed dodijeljenim atributima. Na primjer, sustav za prevođenje između engleskog i turskog može imati netočnosti zbog riječi s stereotipnim povezivanjem s polom.
- **Stereotipiziranje**. Povezivanje određene skupine s unaprijed pridruženim atributima. Na primjer, sustav za prijevod jezika između engleskog i turskog može imati netočnosti zbog riječi koje stereotipno povezuje sa spolom.
> prijevod na turski
> prijevod na turski
@ -48,110 +48,109 @@ AI sustavi trebaju prema svima postupati pravično i izbjegavati utjecaj na sli
> prijevod natrag na engleski
> prijevod natrag na engleski
Prilikom dizajniranja i testiranja AI sustava trebamo osigurati da AI bude pravičan i da nije programiran za donošenje pristranih ili diskriminirajućih odluka, što je ljudima također zabranjeno. Jamčenje pravičnosti u AI-ju i strojnog učenja i dalje je složen sociotehnički izazov.
Pri dizajniranju i testiranju AI sustava, trebamo osigurati da je AI pravedan i da nije programiran za donošenje pristranih ili diskriminatornih odluka, što je i ljudima zabranjeno. Jamčenje pravednosti u AI i strojnome učenju ostaje složen sociotehnički izazov.
### Pouzdanost i sigurnost
### Pouzdanost i sigurnost
Da bi izgradili povjerenje, AI sustavi trebaju biti pouzdani, sigurni i dosljedni u normalnim i neočekivanim uvjetima. Važno je znati kako će se AI sustavi ponašati u različitim situacijama, posebno u slučaju odstupanja. Prilikom izrade AI rješenja potrebno je posvetiti značajnu pažnju načinu rukovanja širokim spektrom okolnosti s kojima se AI rješenja mogu susresti. Na primjer, autonomni automobil mora sigurnost ljudi staviti na prvo mjesto. Kao rezultat, AI koji pokreće automobil mora uzeti u obzir sve moguće scenarije na koje bi automobil mogao naići, poput noći, oluja ili mećava, djece koja prelaze cestu, kućnih ljubimaca, cestovnih radova itd. Koliko dobro AI sustav može pouzdano i sigurno upravljati širokim rasponom uvjeta odražava razinu anticipacije koju je znanstvenik podataka ili AI programer imao tijekom dizajna ili testiranja sustava.
Za izgradnju povjerenja AI sustavi moraju biti pouzdani, sigurni i dosljedni u normalnim i neočekivanim uvjetima. Važno je znati kako će se AI sustavi ponašati u različitim situacijama, posebno kad su odstupanja u pitanju. Pri izgradnji AI rješenja treba posvetiti značajnu pažnju kako se nositi sa širokim rasponom okolnosti koje AI rješenja mogu susresti. Na primjer, samovozeći automobil mora staviti sigurnost ljudi kao najvažniji prioritet. Kao rezultat, AI koji upravlja automobilom mora uzeti u obzir sve moguće scenarije na koje automobil može naići, poput noći, oluja ili snježnih mećava, djece koja trče preko ulice, kućnih ljubimaca, radova na cesti itd. Koliko dobro AI sustav može pouzdano i sigurno podnijeti širok raspon uvjeta odražava razinu anticipacije koju je znanstvenik za podatke ili AI programer uzeo u obzir tijekom dizajna ili ispitivanja sustava.
> [🎥 Kliknite ovdje za video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Kliknite ovdje za video: Pouzdanost i sigurnost u AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Uključivost
### Uključenost
AI sustavi trebaju biti dizajnirani tako da uključuju i osnažuju svakoga. Prilikom dizajniranja i implementacije AI sustava znanstvenici podataka i AI programeri prepoznaju i uklanjaju potencijalne prepreke u sustavu koje bi nenamjerno mogle isključiti ljude. Na primjer, oko milijardu ljudi u svijetu ima invaliditet. S napretkom AI-ja oni mogu lakše pristupiti širokom rasponu informacija i prilika u svakodnevnom životu. Uklanjanjem prepreka stvara se prilika za inovacije i razvoj AI proizvoda s boljim iskustvima od kojih svi imaju koristi.
AI sustavi trebaju biti dizajnirani da angažiraju i osnaže sve. Prilikom dizajniranja i implementacije AI sustava, znanstvenici za podatke i AI programeri identificiraju i rješavaju moguće prepreke u sustavu koje bi nenamjerno mogle isključiti ljude. Na primjer, postoji 1 milijarda ljudi s invaliditetom širom svijeta. S napretkom AI, oni mogu lakše pristupiti širokom rasponu informacija i mogućnosti u svakodnevnom životu. Rješavanjem prepreka stvaraju se prilike za inovacije i razvoj AI proizvoda s boljim iskustvima koja koriste svima.
> [🎥 Kliknite ovdje za video: uključivost u AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Kliknite ovdje za video: Uključenost u AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Sigurnost i privatnost
### Sigurnost i privatnost
AI sustavi trebaju biti sigurni i poštivati privatnost ljudi. Ljudi manje vjeruju sustavima koji ugrožavaju njihovu privatnost, informacije ili živote. Prilikom treniranja modela strojnog učenja oslanjamo se na podatke kako bismo proizveli najbolje rezultate. Pri tome treba uzeti u obzir porijeklo podataka i njihovu cjelovitost. Na primjer, jesu li podaci koje je korisnik dostavio ili su javno dostupni? Nadalje, tijekom rada s podacima bitno je razviti AI sustave koji mogu zaštititi povjerljive informacije i odoljeti napadima. Kako AI postaje sve češći, zaštita privatnosti i sigurnost važnih osobnih i poslovnih podataka postaju kritičniji i složeniji. Pitanja privatnosti i sigurnosti podataka zahtijevaju posebno pomnu pažnju u AI-ju jer je pristup podacima ključan za točno i informirano predviđanje i donošenje odluka o ljudima.
AI sustavi trebaju biti sigurni i poštivati privatnost ljudi. Ljudi manje vjeruju sustavima koji ugrožavaju njihovu privatnost, informacije ili živote. Prilikom treniranja modela strojnog učenja oslanjamo se na podatke da bismo postigli najbolje rezultate. Pri tome je važno uzeti u obzir podrijetlo podataka i integritet. Na primjer, jesu li podaci uneseni od strane korisnika ili su javno dostupni? Nadalje, tijekom rada s podacima, ključno je razvijati AI sustave koji mogu zaštititi povjerljive informacije i odoljeti napadima. Kako AI postaje sve rašireniji, zaštita privatnosti i osiguranje važnih osobnih i poslovnih informacija postaju sve kritičniji i složeniji zadaci. Problemi privatnosti i sigurnosti podataka zahtijevaju posebnu pozornost u AI jer je pristup podacima od ključne važnosti za AI sustave da bi mogli donositi točne i informirane prognoze i odluke o ljudima.
> [🎥 Kliknite ovdje za video: sigurnost u AI-ju](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Kliknite ovdje za video: Sigurnost u AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Kao industrija postigli smo značajan napredak u privatnosti i sigurnosti, što je uvelike potaknuto regulativama poput GDPR-a (Opća uredba o zaštiti podataka).
- Kao industrija napravili smo značajan napredak u području privatnosti i sigurnosti, osobito potaknut propisima poput GDPR-a (Opća uredba o zaštiti podataka).
- Ipak, kod AI sustava moramo priznati napetost između potrebe za više osobnih podataka kako bi sustavi bili osobniji i učinkovitiji – i privatnosti.
- No, s AI sustavima moramo priznati napetost između potrebe za više osobnih podataka da bi sustavi bili osobniji i učinkovitiji – i privatnosti.
- Kao i kod pojave povezanih računala s internetom, vidimo i veliki porast sigurnosnih problema vezanih za AI.
- Baš kao i s pojavom povezanih računala i interneta, i s AI-jem vidimo snažan porast sigurnosnih problema povezanih s AI.
- Istodobno, vidi se da se AI koristi za poboljšanje sigurnosti. Na primjer, većina modernih antivirusnih skenera danas se temelji na AI heuristikama.
- Istovremeno, vidjeli smo da se AI koristi za poboljšanje sigurnosti. Na primjer, većina modernih antivirusnih skenera danas koristi AI heuristiku.
- Trebamo osigurati da naši procesi znanosti o podacima skladno prate najnovije prakse privatnosti i sigurnosti.
- Moramo osigurati da naši procesi znanosti o podacima skladno pomiješaju s najnovijim praksama privatnosti i sigurnosti.
### Transparentnost
### Transparentnost
AI sustavi trebaju biti razumljivi. Ključni dio transparentnosti je objašnjavanje ponašanja AI sustava i njihovih komponenti. Poboljšanje razumijevanja AI sustava zahtijeva da dionici shvate kako i zašto oni funkcioniraju kako bi mogli identificirati potencijalne probleme performansi, zabrinutosti oko sigurnosti i privatnosti, pristranosti, isključujuće prakse ili neželjene ishode. Također smatramo da oni koji koriste AI sustave trebaju biti iskreni i otvoreni o tome kada, zašto i kako odlučuju koristiti te sustave. Kao i o ograničenjima sustava koje koriste. Na primjer, ako banka koristi AI sustav za podršku odlukama o kreditiranju potrošača, važno je pregledati rezultate i razumjeti koji podaci utječu na preporuke sustava. Vlade počinju regulirati AI u svim industrijama, pa znanstvenici podataka i organizacije moraju objasniti zadovoljava li AI sustav regulatorne zahtjeve, posebno kada postoji neželjeni ishod.
AI sustavi trebaju biti razumljivi. Ključni dio transparentnosti je objašnjenje ponašanja AI sustava i njihovih komponenti. Poboljšanje razumijevanja AI sustava zahtijeva da dionici shvate kako i zašto sustavi funkcioniraju kako bi mogli identificirati moguće probleme s izvedbom, sigurnosne i privatnosne zabrinutosti, pristranosti, isključujuće prakse ili nepredviđene rezultate. Također vjerujemo da oni koji koriste AI sustave trebaju biti iskreni i otvoreni o tome kada, zašto i kako ih odluče koristiti kao i o ograničenjima sustava koje koriste. Na primjer, ako banka upotrebljava AI sustav za podršku u odlučivanju o potrošačkim kreditima, važno je pregledati rezultate i razumjeti koji podaci utječu na preporuke sustava. Vlade počinju regulirati AI u različitim industrijama, stoga znanstvenici za podatke i organizacije moraju objasniti zadovoljava li AI sustav regulatorne zahtjeve, osobito ako postoji neželjeni ishod.
> [🎥 Kliknite ovdje za video: transparentnost u AI-ju](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Kliknite ovdje za video: Transparentnost u AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Budući da su AI sustavi vrlo složeni, teško je razumjeti kako funkcioniraju i protumačiti rezultate.
- Budući da su AI sustavi tako složeni, teško je razumjeti kako funkcioniraju i protumačiti rezultate.
- Taj nedostatak razumijevanja utječe na način na koji se ti sustavi upravljaju, operacionaliziraju i dokumentiraju.
- Ovaj nedostatak razumijevanja utječe na način na koji se ti sustavi upravljaju, operacionaliziraju i dokumentiraju.
- Još važnije, taj nedostatak razumijevanja utječe na odluke koje se donose koristeći rezultate koje ti sustavi proizvode.
- Još važnije, ovaj nedostatak razumijevanja utječe na odluke donošene uporabom rezultata koje ti sustavi proizvode.
### Odgovornost
### Odgovornost
Osobe koje dizajniraju i implementiraju AI sustave moraju biti odgovorne za njihovo funkcioniranje. Potreba za odgovornošću posebno je važna kod osjetljivih tehnologija poput prepoznavanja lica. Nedavno raste potražnja za tehnologijom prepoznavanja lica, osobito od strane policijskih organa koji uviđaju potencijal tehnologije u primjeni poput pronalaska nestale djece. Međutim, te se tehnologije potencijalno mogu koristiti od strane vlade da ugroze temeljna građanska prava, na primjer omogućavanjem kontinuiranog nadzora određenih osoba. Stoga znanstvenici podataka i organizacije moraju biti odgovorni za utjecaj svog AI sustava na pojedince ili društvo.
Ljudi koji dizajniraju i implementiraju AI sustave moraju biti odgovorni za način na koji njihovi sustavi funkcioniraju. Potreba za odgovornošću posebno je važna kod osjetljivih tehnologija poput prepoznavanja lica. Nedavno je narasla potražnja za tehnologijom prepoznavanja lica, osobito od strane policijskih organizacija koje vide potencijal te tehnologije u primjenama kao što je pronalaženje nestale djece. Međutim, te se tehnologije mogu potencijalno koristiti od strane vlade da ugroze temeljne slobode građana, na primjer omogućavanjem kontinuiranog nadzora određenih osoba. Stoga znanstvenici za podatke i organizacije moraju biti odgovorni za to kako njihov AI sustav utječe na pojedince ili društvo.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoftov pristup odgovornom AI-ju")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoftov pristup odgovornoj umjetnoj inteligenciji")
> 🎥 Kliknite sliku gore za video: Upozorenja o masovnom nadzoru putem prepoznavanja lica
> 🎥 Kliknite sliku gore za video: Upozorenja o masovnom nadzoru putem prepoznavanja lica
U konačnici, jedno od najvećih pitanja za naše generacije, kao prve generacije koje donose AI društvu, jest kako osigurati da računala ostanu odgovorna ljudima i kako osigurati da ljudi koji dizajniraju računala ostanu odgovorni svima ostalima.
Najvažnije pitanje za naše generacije, kao prve generacije koje uvode AI u društvo, jest kako osigurati da računala ostanu odgovorna ljudima i kako osigurati da ljudi koji ih dizajniraju ostanu odgovorni prema svima ostalima.
## Procjena utjecaja
## Procjena utjecaja
Prije treniranja modela strojnog učenja važno je provesti procjenu utjecaja kako bi se razumjela svrha AI sustava; čemu je namijenjen; gdje će se koristiti; i tko će komunicirati sa sustavom. To pomaže pregledavateljima ili testerima u procjeni na što treba obratiti pažnju pri identificiranju potencijalnih rizika i očekivanih posljedica.
Prije treniranja modela strojnog učenja važno je provesti procjenu utjecaja kako biste razumjeli svrhu AI sustava; koja je namjeravana uporaba; gdje će se primijeniti; i tko će komunicirati sa sustavom. To je korisno za recenzente ili testere koji ocjenjuju sustav da znaju koje čimbenike uzeti u obzir kod identificiranja potencijalnih rizika i očekivanih posljedica.
Sljedeća područja su fokus pri provođenju procjene utjecaja:
Sljedeća su područja fokusa pri provođenju procjene utjecaja:
* **Neželjeni utjecaj na pojedince**. Svijest o bilo kakvim ograničenjima ili zahtjevima, nepodržanoj uporabi ili poznatim ograničenjima koja ometaju učinkovitost sustava ključna je da se sustav ne koristi na način koji bi mogao štetiti pojedincima.
* **Negativan utjecaj na pojedince**. Svijest o bilo kakvim ograničenjima ili zahtjevima, nedozvoljenoj uporabi ili poznatim ograničenjima koja ograničavaju izvedbu sustava presudna je za osiguranje da se sustav ne koristi na način koji bi mogao nanijeti štetu pojedincima.
* **Zahtjevi za podatke**. Razumijevanje kako i gdje će sustav koristiti podatke omogućuje pregledavateljima da prouče moguće zahtjeve za podatke kojima treba obratiti pozornost (npr., GDPR ili HIPAA regulative o podacima). Također, treba razmotriti je li izvor ili količina podataka dovoljna za treniranje.
* **Zahtjevi za podatke**. Razumijevanje načina i mjesta upotrebe podataka u sustavu omogućuje recenzentima da istraže sve zahtjeve vezane za podatke za koje trebate biti svjesni (npr. propise GDPR-a ili HIPAA-e). Također provjerite je li izvor ili količina podataka dovoljna za treniranje.
* **Sažetak utjecaja**. Prikupiti popis potencijalnih šteta koje mogu proizaći iz korištenja sustava. Tijekom životnog ciklusa ML-a redovito se provjerava jesu li identificirani problemi ublaženi ili riješeni.
* **Sažetak utjecaja**. Prikupite popis potencijalnih šteta koje bi mogle nastati uporabom sustava. Tijekom životnog ciklusa strojnog učenja provjeravajte jesu li identificirani problemi otklonjeni ili riješeni.
* **Primjenjivi ciljevi** za svaki od šest osnovnih principa. Procijeniti zadovoljavaju li se ciljevi svakog principa i postoje li praznine.
* **Primjenjivi ciljevi** za svaki od šest temeljnih principa. Procijenite zadovoljavaju li se ciljevi svakog principa i postoje li praznine.
## Debugging s odgovornim AI-jem
## Otklanjanje grešaka uz odgovornu umjetnu inteligenciju
Slično kao debugiranje softverske aplikacije, debugiranje AI sustava je potreban proces identificiranja i rješavanja problema u sustavu. Puno je čimbenika koji mogu utjecati na to da model ne radi prema očekivanjima ili nije odgovoran. Većina tradicionalnih metričkih pokazatelja performansi modela su kvantitativni zbrojevi učinkovitosti modela, koji nisu dovoljni za analizu kako model krši principe odgovornog AI-ja. Nadalje, model strojnog učenja je crna kutija što otežava razumijevanje što pokreće njegov ishod ili pruža objašnjenje kada pogriješi. Kasnije u ovom tečaju naučit ćemo kako koristiti Responsible AI nadzornu ploču za pomoć u debugiranju AI sustava. Nadzorna ploča pruža holistički alat za znanstvenike podataka i AI programere za izvođenje:
Slično kao i otklanjanje pogrešaka u softverskoj aplikaciji, otklanjanje pogrešaka u AI sustavu je potreban proces identificiranja i rješavanja problema u sustavu. Postoji mnogo čimbenika koji mogu utjecati da model ne radi kako se očekuje ili odgovorno. Većina tradicionalnih metrika modela za performanse su kvantitativni agregati izvedbe modela, što nije dovoljno da se analizira kako model krši principe odgovorne umjetne inteligencije. Nadalje, model strojnog učenja je crna kutija što otežava razumijevanje što uzrokuje njegov ishod ili pružanje objašnjenja kad pogriješi. Kasnije u ovom tečaju naučit ćemo kako koristiti nadzornu ploču Responsible AI za pomoć pri otklanjanju pogrešaka u AI sustavima. Nadzorna ploča pruža cjeloviti alat za znanstvenike podataka i AI programere za:
* **Analize pogrešaka**. Za identifikaciju raspodjele pogrešaka modela koje mogu utjecati na pravičnost ili pouzdanost sustava.
* **Analizu pogrešaka**. Za identifikaciju distribucije pogrešaka modela koje mogu utjecati na pravednost ili pouzdanost sustava.
* **Pregled modela**. Za otkrivanje razlika u učinkovitosti modela među skupinama podataka.
* **Pregled modela**. Za otkrivanje gdje postoje razlike u izvedbi modela u različitim skupinama podataka.
* **Analizu podataka**. Za razumijevanje raspodjele podataka i identifikaciju potencijalnih pristranosti u podacima koje bi mogle dovesti do problema pravičnosti, uključivosti i pouzdanosti.
* **Analizu podataka**. Za razumijevanje raspodjele podataka i identifikaciju moguće pristranosti u podacima koja može uzrokovati probleme pravednosti, uključenosti i pouzdanosti.
* **Interpretabilnost modela**. Za razumijevanje što utječe ili oblikuje predviđanja modela. Ovo pomaže pri objašnjavanju ponašanja modela što je važno za transparentnost i odgovornost.
* **Tumačenje modela**. Za razumijevanje što utječe ili određuje predviđanja modela. To pomaže u objašnjavanju ponašanja modela, što je važno za transparentnost i odgovornost.
## 🚀 Izazov
## 🚀 Izazov
Da bismo spriječili da se štete uopće jave, trebali bismo:
Kako bismo spriječili da se štete uopće pojave, trebali bismo:
- imati različita podrijetla i perspektive među ljudima koji rade na sustavima
- imati raznolikost u pozadinama i perspektivama među ljudima koji rade na sustavima
- ulagati u skupove podataka koji odražavaju raznolikost našeg društva
- ulagati u skupove podataka koji odražavaju raznolikost našeg društva
- razvijati bolje metode kroz životni ciklus strojnog učenja za otkrivanje i ispravljanje odgovornog AI-ja kad se pojavi
- razvijati bolje metode tijekom cijelog životnog ciklusa strojnog učenja za otkrivanje i ispravljanje neodgovorne umjetne inteligencije kad se pojavi
Razmislite o stvarnim scenarijima gdje nepouzdanost modela postaje očita u izgradnji i korištenju modela. Što još bismo trebali uzeti u obzir?
Razmislite o stvarnim scenarijima u kojima je nepouzdana izvedba modela očita u izgradnji i uporabi modela. Što još bismo trebali uzeti u obzir?
## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ml/)
U ovoj ste lekciji naučili neke osnove pojmova pravednosti i nepravednosti u strojnome učenju.
U ovoj lekciji naučili ste osnove pojmova pravednosti i nepravednosti u strojnome učenju.
Pogledajte ovaj radionicu za dublje razumijevanje tema:
Pogledajte ovaj radionicu za detaljniji uvid u teme:
- U potrazi za odgovornom umjetnom inteligencijom: Primjena principa u praksi by Besmira Nushi, Mehrnoosh Sameki i Amit Sharma
- U potrazi za odgovornom umjetnom inteligencijom: Primjena principa u praksi, Besmira Nushi, Mehrnoosh Sameki i Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Open-source okvir za izgradnju odgovorne AI")
> 🎥 Kliknite na gornju sliku za video: RAI Toolbox: Otvoreni okvir za izgradnju odgovorne umjetne inteligencije by Besmira Nushi, Mehrnoosh Sameki i Amit Sharma
> 🎥 Kliknite na gornju sliku za video: RAI Toolbox: Open-source okvir za izgradnju odgovorne AI autorica Besmira Nushi, Mehrnoosh Sameki i Amit Sharma
Također, pročitajte:
Također, pročitajte:
- Microsoftov centar resursa za odgovornu umjetnu inteligenciju: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoftov RAI centar resursa: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoftova istraživačka grupa FATE: [FATE: Poštenje, Odgovornost, Transparentnost i Etika u AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Microsoftova istraživačka skupina FATE: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
RAI Toolbox:
- [Responsible AI Toolbox GitHub repozitorij](https://github.com/microsoft/responsible-ai-toolbox)
- [Responsible AI Toolbox GitHub repozitorij](https://github.com/microsoft/responsible-ai-toolbox)
Pročitajte o alatima Azure Machine Learninga za osiguranje pravednosti:
Pročitajte o alatima Azure Machine Learning za osiguranje pravičnosti:
## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ml/)
> ### [Ova lekcija je dostupna na R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Ova lekcija dostupna je i na R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Uvod
## Uvod
U ove četiri lekcije otkrit ćete kako izgraditi regresijske modele. Uskoro ćemo razgovarati čemu oni služe. No prije nego što išta napravite, pobrinite se da imate odgovarajuće alate za početak procesa!
U ovih četiriju lekcija otkrit ćete kako izraditi regresijske modele. Uskoro ćemo objasniti čemu oni služe. No prije nego što išta napravite, provjerite imate li potrebne alate za početak procesa!
U ovoj lekciji naučit ćete kako:
U ovoj lekciji naučit ćete kako:
- Konfigurirati svoje računalo za lokalne zadatke strojnog učenja.
- Konfigurirati svoje računalo za zadatke lokalnog strojnog učenja.
- Raditi s Jupyter Notebookovima.
- Raditi s Jupyter bilježnicama.
- Koristiti Scikit-learn, uključujući instalaciju.
- Koristiti Scikit-learn, uključujući instalaciju.
- Istražiti linearnu regresiju kroz praktičnu vježbu.
- Istražiti linearnu regresiju kroz praktični zadatak.
## Instalacije i konfiguracije
## Instalacije i konfiguracije
[](https://youtu.be/-DfeD2k2Kj0 "ML za početnike - Postavite svoje alate spremne za izgradnju modela strojnog učenja")
[](https://youtu.be/-DfeD2k2Kj0 "ML za početnike - Pripremite alate za izradu modela strojnog učenja")
> 🎥 Kliknite na gornju sliku za kratak video o konfiguriranju računala za ML.
> 🎥 Kliknite gornju sliku za kratki video o konfiguriranju računala za ML.
1. **Instalirajte Python**. Provjerite je li [Python](https://www.python.org/downloads/) instaliran na vašem računalu. Python ćete koristiti za mnoge zadatke iz znanosti o podacima i strojnog učenja. Većina računarskih sustava već ima instaliran Python. Tu su i korisni [Python Coding Packovi](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) koji mogu olakšati postavljanje nekim korisnicima.
1. **Instalirajte Python**. Provjerite je li [Python](https://www.python.org/downloads/) instaliran na vašem računalu. Python ćete koristiti za mnoge zadatke u znanosti o podacima i strojnog učenja. Većina računala već ima instaliran Python. Također postoje korisni [Python paketi za kodiranje](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) koji olakšavaju postavljanje nekim korisnicima.
Međutim, neke primjene Pythona zahtijevaju određenu verziju softvera, dok druge zahtijevaju drugu verziju. Zbog toga je korisno raditi unutar [virtualnog okruženja](https://docs.python.org/3/library/venv.html).
Neki slučajevi upotrebe Pythona zahtijevaju jednu verziju softvera, dok drugi zahtijevaju drugu. Zato je korisno raditi unutar [virtualnog okruženja](https://docs.python.org/3/library/venv.html).
2. **Instalirajte Visual Studio Code**. Pobrinite se da imate instaliran Visual Studio Code na računalu. Slijedite ove upute za [instalaciju Visual Studio Code](https://code.visualstudio.com/) za osnovnu instalaciju. U ovom ćete tečaju koristiti Python u Visual Studio Code-u, pa bi bilo korisno da se upoznate kako [konfigurirati Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) za razvoj u Pythonu.
2. **Instalirajte Visual Studio Code**. Provjerite imate li Visual Studio Code instaliran na računalu. Slijedite upute za [instalaciju Visual Studio Code](https://code.visualstudio.com/) za osnovnu instalaciju. U ovom tečaju koristit ćete Python u Visual Studio Codeu, stoga se možda želite upoznati s načinom na koji se može [konfigurirati Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) za razvoj u Pythonu.
> Udobno se upoznajte s Pythonom radeći kroz ovu zbirku [Learn modula](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Udobno se upoznajte s Pythonom radeći kroz ovaj skup [Learn modula](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
>
> [](https://youtu.be/yyQM70vi7V8 "Postavljanje Pythona s Visual Studio Code")
> [](https://youtu.be/yyQM70vi7V8 "Postavljanje Pythona u Visual Studio Code")
>
>
> 🎥 Kliknite na gornju sliku za video: korištenje Pythona unutar VS Code.
> 🎥 Kliknite gornju sliku za video: korištenje Pythona unutar VS Code-a.
3. **Instalirajte Scikit-learn** prema [ovim uputama](https://scikit-learn.org/stable/install.html). Budući da morate koristiti Python 3, preporučuje se rad u virtualnom okruženju. Ako instalirate ovu biblioteku na M1 Mac, postoje posebne upute na gore povezanom linku.
3. **Instalirajte Scikit-learn**, slijedeći [ove upute](https://scikit-learn.org/stable/install.html). Budući da trebate koristiti Python 3, preporuča se virtualno okruženje. Napomena, ako instalirate ovu biblioteku na M1 Mac, na povezanoj stranici postoje posebne upute.
Koristit ćete **notebookove** za razvoj vašeg Python koda i kreiranje modela strojnog učenja. Ova vrsta datoteke je uobičajeni alat za znanstvenike podataka, a može se prepoznati po nastavku`.ipynb`.
Koristit ćete **bilježnice** za razvoj Python koda i izradu modela strojnog učenja. Ova vrsta datoteke često se koristi kod znanstvenika podataka, a prepoznaje se po sufiksu ili ekstenziji`.ipynb`.
Notebookovi su interaktivno okruženje koje omogućuje programeru da istovremeno piše kod i dodaje bilješke i dokumentaciju oko koda, što je vrlo korisno za eksperimentalne ili istraživačke projekte.
Bilježnice su interaktivno okruženje koje programeru omogućuje i kodiranje i dodavanje bilješki te pisanje dokumentacije oko koda, što je vrlo korisno za eksperimentalne ili istraživačke projekte.
[](https://youtu.be/7E-jC8FLA2E "ML za početnike - Postavite Jupyter Notebookove za početak izgradnje regresijskih modela")
[](https://youtu.be/7E-jC8FLA2E "ML za početnike - Postavite Jupyter bilježnice za početak izrade regresijskih modela")
> 🎥 Kliknite na gornju sliku za kratak video vezano uz ovu vježbu.
> 🎥 Kliknite gornju sliku za kratki video kroz ovaj zadatak.
### Vježba - rad s notebookom
### Vježba - rad s bilježnicom
U ovoj mapi pronaći ćete datoteku _notebook.ipynb_.
U ovoj mapi pronaći ćete datoteku _notebook.ipynb_.
1. Otvorite _notebook.ipynb_ u Visual Studio Code.
1. Otvorite _notebook.ipynb_ u Visual Studio Codeu.
Pokrenut će se Jupyter server s Pythonom 3+. Naći ćete dijelove notebooka koje možete `pokrenuti`, odnosno zasebne dijelove koda. Kodni blok možete pokrenuti klikom na ikonu koja izgleda kao tipka play.
Jupyter poslužitelj će se pokrenuti s Python 3+. Naći ćete dijelove bilježnice koji se mogu `pokrenuti`, odnosno blokove koda. Kôd se može pokrenuti klikom na ikonu koja izgleda kao tipka za reprodukciju.
1. Odaberite ikonu `md` i dodajte malo markdown teksta, a zatim unesite sljedeći tekst: **# Dobrodošli u svoj notebook**.
1. Odaberite `md` ikonu i dodajte malo markdowna i sljedeći tekst **# Dobrodošli u vašu bilježnicu**.
Sljedeće, dodajte malo Python koda.
Zatim dodajte malo Python koda.
1. Upišite **print('hello notebook')** u kodni blok.
1. Upisujte **print('hello notebook')** u blok koda.
1. Kliknite strelicu za pokretanje koda.
1. Kliknite strelicu da pokrenete kod.
Trebali biste vidjeti ispisanu izjavu:
Trebali biste vidjeti ispisanu izjavu:
@ -72,46 +72,46 @@ U ovoj mapi pronaći ćete datoteku _notebook.ipynb_.
hello notebook
hello notebook
```
```
Kod možete isprekidati komentarima kako biste sami dokumentirali notebook.
Kod možete ispreplitati s komentarima radi samodokumentiranja bilježnice.
✅ Razmislite na trenutak koliko se radno okruženje web developera razlikuje od onog znanstvenika podataka.
✅ Razmislite na trenutak koliko se radno okruženje web programera razlikuje od okruženja znanstvenika podataka.
## Pokretanje sa Scikit-learn
## Pokretanje sa Scikit-learn
Sada kada je Python postavljen u vašem lokalnom okruženju i kada ste upoznati s Jupyter Notebookovima, upoznajmo se i sa Scikit-learnom (izgovara se `sci` kao u riječi `znanost`). Scikit-learn nudi [opširan API](https://scikit-learn.org/stable/modules/classes.html#api-ref) koji vam pomaže u izvođenju zadataka strojnog učenja.
Sada kada je Python postavljen u vašem lokalnom okruženju i kada ste upoznati s Jupyter bilježnicama, upoznajmo se jednako s Scikit-learnom (izgovara se `sci` kao u `znanost`). Scikit-learn pruža [opširan API](https://scikit-learn.org/stable/modules/classes.html#api-ref) za pomoć u izvršavanju ML zadataka.
Prema njihovoj [web stranici](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn je biblioteka strojnog učenja otvorenog koda koja podržava nadzirano i nenadzirano učenje. Također pruža različite alate za prilagođavanje modela, prethodnu obradu podataka, izbor i evaluaciju modela te mnoge druge korisnosti."
Prema njihovoj [web stranici](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn je open source biblioteka za strojno učenje koja podržava nadzirano i nenadzirano učenje. Također pruža razne alate za namještanje modela, predobradu podataka, odabir i evaluaciju modela, te mnoge druge korisne funkcije."
U ovom tečaju koristiti ćete Scikit-learn i druge alate za izgradnju modela strojnog učenja za ono što zovemo 'tradicionalni zadaci strojnog učenja'. Namjerno smo izbjegli neuronske mreže i duboko učenje jer su bolje obrađeni u našem nadolazećem kurikulumu 'AI za početnike'.
U ovom tečaju koristit ćete Scikit-learn i ostale alate za izradu modela strojnog učenja za izvođenje zadataka koje nazivamo 'tradicionalnim strojnim učenjem'. Namjerno smo izbjegli neuronske mreže i duboko učenje, jer su oni bolje pokriveni u našem budućem programu 'AI za početnike'.
Scikit-learn olakšava izgradnju i evaluaciju modela za upotrebu. Primarno je fokusiran na numeričke podatke i sadrži nekoliko gotovih datasetova za učenje. Uključuje i unaprijed izgrađene modele koje studenti mogu isprobati. Istražimo proces učitavanja prethodno pripremljenih podataka i korištenje ugrađenog estimator - prvog ML modela sa Scikit-lernom s osnovnim podacima.
Scikit-learn olakšava izradu modela i njihovu evaluaciju za uporabu. Primarno je fokusiran na uporabu numeričkih podataka i sadrži nekoliko pripremljenih skupova podataka za učenje. Također uključuje gotove modele za isprobavanje. Istražimo postupak učitavanja unaprijed spremljenih podataka i korištenja ugrađenog estimator za izradu prvog ML modela sa Scikit-learnom na osnovnim podacima.
## Vježba - vaš prvi Scikit-learn notebook
## Vježba - vaša prva Scikit-learn bilježnica
> Ovaj je vodič inspiriran [primjerom linearne regresije](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na Scikit-learn web stranici.
> Ovaj vodič inspiriran je [primjerom linearne regresije](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na službenoj stranici Scikit-learna.
[](https://youtu.be/2xkXL5EUpS0 "ML za početnike - Vaš prvi projekt linearne regresije u Pythonu")
[](https://youtu.be/2xkXL5EUpS0 "ML za početnike - Vaš prvi linearni regresijski projekt u Pythonu")
> 🎥 Kliknite na gornju sliku za kratak video vezano uz ovu vježbu.
> 🎥 Kliknite sliku iznad za kratki video kroz ovaj zadatak.
U datoteci _notebook.ipynb_ povezanoj s ovom lekcijom, očistite sve ćelije pritiskom na ikonu 'kanta za smeće'.
U datoteci _notebook.ipynb_ povezanoj s ovom lekcijom obrišite sve ćelije pritiskom na ikonu 'kanta za smeće'.
U ovom dijelu ćete raditi s malim datasetom o dijabetesu koji je ugrađen u Scikit-learn za svrhe učenja. Zamislite da želite ispitati liječenje za dijabetičke pacijente. Modeli strojnog učenja mogli bi vam pomoći odrediti koji bi pacijenti bolje reagirali na liječenje, na temelju kombinacija varijabli. Čak i vrlo osnovni regresijski model, kada se vizualizira, može pokazati informacije o varijablama koje bi vam pomogle organizirati vaše teoretske kliničke studije.
U ovom dijelu radit ćete s malim skupom podataka o dijabetesu koji je ugrađen u Scikit-learn radi učenja. Zamislite da želite testirati tretman za dijabetičare. Modeli strojnog učenja mogli bi vam pomoći utvrditi koji bi pacijenti bolje reagirali na tretman, na temelju kombinacija varijabli. Čak i vrlo osnovni regresijski model, kad se prikaže grafički, mogao bi pokazati informacije o varijablama koje bi vam pomogle organizirati vaše teorijske kliničke pokuse.
✅ Postoji mnogo vrsta regresijskih metoda, a koju ćete odabrati ovisi o pitanju na koje želite odgovoriti. Ako želite predvidjeti vjerojatnu visinu za osobu određene dobi, koristili biste linearnu regresiju jer tražite **numeričku vrijednost**. Ako ste zainteresirani otkriti treba li neki tip kuhinje smatrati veganskim ili ne, tražite **kategorizaciju**, pa biste koristili logističku regresiju. O logističkoj regresiji ćete kasnije naučiti više. Razmislite malo o nekim pitanjima koja možete postaviti podacima i koja bi metoda od njih bila prikladnija.
✅ Postoje mnoge metode regresije, a koju ćete odabrati ovisi o pitanju na koje tražite odgovor. Ako želite predvidjeti vjerojatnu visinu osobe određene dobi, koristit ćete linearnu regresiju jer tražite **numeričku vrijednost**. Ako vas zanima je li neka vrsta kuhinje veganska ili ne, tražite **pridruživanje kategoriji** pa biste koristili logističku regresiju. O logističkoj regresiji naučit ćete više kasnije. Razmislite o nekim pitanjima koja možete postaviti podacima i koja bi metoda bila prikladnija.
Krenimo s ovim zadatkom.
Krenimo s ovim zadatkom.
### Uvezite biblioteke
### Uvoz biblioteka
Za ovaj zadatak uvest ćemo neke biblioteke:
Za ovaj zadatak uvest ćemo nekoliko biblioteka:
- **matplotlib**. Koristan je [alat za grafove](https://matplotlib.org/) i koristit ćemo ga za crtanje linijskog grafikona.
- **matplotlib**. Koristan je [alat za grafove](https://matplotlib.org/) i upotrijebit ćemo ga za crtanje linijskog grafa.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je korisna biblioteka za rukovanje numeričkim podacima u Pythonu.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je korisna biblioteka za rukovanje numeričkim podacima u Pythonu.
- **sklearn**. Ovo je biblioteka [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
- **sklearn**. To je [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) biblioteka.
Uvezite neke biblioteke koje će vam pomoći u zadacima.
Uvezite neke biblioteke koje će vam pomoći u zadacima.
@ -123,26 +123,26 @@ Uvezite neke biblioteke koje će vam pomoći u zadacima.
from sklearn import datasets, linear_model, model_selection
from sklearn import datasets, linear_model, model_selection
```
```
Gore uvozite `matplotlib`, `numpy` te uvozite `datasets`, `linear_model` i `model_selection` iz `sklearn`. `model_selection` se koristi za dijeljenje podataka na trening i test skupove.
Gore uvozite `matplotlib`, `numpy` te `datasets`, `linear_model` i `model_selection` iz `sklearn`. `model_selection` se koristi za razdvajanje podataka na trening i test skupove.
### Dataset o dijabetesu
### Skup podataka o dijabetesu
Ugrađeni [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) uključuje 442 uzorka podataka o dijabetesu, s 10 značajki, od kojih su neke:
Ugrađeni [skup podataka o dijabetesu](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) sadrži 442 uzorka podataka o dijabetesu s 10 značajki, od kojih su neke:
- starost: starost u godinama
- age: starost u godinama
- bmi: indeks tjelesne mase
- bmi: indeks tjelesne mase
- bp: prosječni krvni tlak
- bp: prosječni krvni tlak
- s1 tc: T-ćelije (vrsta bijelih krvnih stanica)
- s1 tc: T-stanice (vrsta bijelih krvnih stanica)
✅ Ovaj dataset uključuje koncept 'spola' kao važnu značajku za istraživanje dijabetesa. Mnogi medicinski datasetovi uključuju ovaj tip binarne klasifikacije. Razmislite malo o tome kako takve kategorizacije mogu isključiti određene dijelove populacije iz liječenja.
✅ Ovaj skup podataka uključuje 'spol' kao značajku važnu za istraživanje dijabetesa. Mnogi medicinski skupovi podataka sadrže ovu vrstu binarne klasifikacije. Razmislite kako ovakve kategorizacije mogu isključiti određene dijelove populacije iz tretmana.
Sada učitajte X i y podatke.
Sada učitajte podatke X i y.
> 🎓 Zapamtite, ovo je nadzirano učenje i potreban nam je nazvani cilj 'y'.
> 🎓 Zapamtite, ovo je nadzirano učenje i potreban nam je cilj 'y' s imenom.
U novoj ćeliji za kod učitajte dataset o dijabetesu pozivajući`load_diabetes()`. Ulaz `return_X_y=True` označava da će `X` biti matrica podataka, a `y` cilj regresije.
U novoj ćeliji koda učitajte skup podataka o dijabetesu pozivom`load_diabetes()`. Ulaz `return_X_y=True` označava da će `X` biti matrica podataka, a `y` cilj regresije.
1. Dodajte naredbe za ispis da pokažete dimenzije matrice podataka i njen prvi element:
1. Dodajte naredbe za ispis da prikažete oblik matrice podataka i njezin prvi element:
```python
```python
X, y = datasets.load_diabetes(return_X_y=True)
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ U novoj ćeliji za kod učitajte dataset o dijabetesu pozivajući `load_diabetes
print(X[0])
print(X[0])
```
```
Ono što dobivate kao odgovor je tuple. Ono što radite jest da prve dvije vrijednosti tupla dodjeljujete `X` i `y` redom. Saznajte više [o tupleima](https://wikipedia.org/wiki/Tuple).
Ono što dobivate kao odgovor je 'tuple'. Ono što radite je da prva dva vrijednosna elementa tuplea dodijelite `X` i `y`. Više o [tupleima](https://wikipedia.org/wiki/Tuple).
Možete vidjeti da ovaj dataset ima 442 stavke oblikovane u nizove od 10 elemenata:
Vidite da ovi podaci imaju 442 stavke oblikovane u nizove od 10 elemenata:
```text
```text
(442, 10)
(442, 10)
@ -160,24 +160,24 @@ U novoj ćeliji za kod učitajte dataset o dijabetesu pozivajući `load_diabetes
-0.04340085 -0.00259226 0.01990842 -0.01764613]
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
```
✅ Razmislite malo o odnosu između podataka i cilja regresije. Linearna regresija predviđa odnose između značajke X i ciljane varijable y. Možete li pronaći [cilj](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) za diabetes dataset u dokumentaciji? Što ovaj dataset demonstrira, s obzirom na cilj?
✅ Razmislite o odnosu između podataka i cilja regresije. Linearna regresija predviđa odnose između značajke X i ciljne varijable y. Možete li pronaći [cilj](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) za skup podataka o dijabetesu u dokumentaciji? Što ovaj skup podataka pokazuje, s obzirom na cilj?
2. Zatim, odaberite dio ovog dataseta za iscrtavanje birajući 3. stupac dataseta. To možete napraviti korištenjem operatora `:` za odabir svih redaka, a zatim odabirom 3. stupca s indeksom (2). Također možete promijeniti oblik podataka u 2D niz - kako je potrebno za crtanje - korištenjem `reshape(broj_redaka, broj_stupaca)`. Ako je jedan od parametara -1, odgovarajuća dimenzija se automatski izračunava.
2. Zatim odaberite dio ovog skupa podataka za prikaz crtežom, odabirom 3. stupca skupa podataka. To možete napraviti operatorom `:` koji odabire sve retke, a zatim odabirom 3. stupca korištenjem indeksa (2). Također možete promijeniti oblik podataka u 2D niz - što je potrebno za crtanje - korištenjem `reshape(n_rows, n_columns)`. Ako je jedan od parametara -1, odgovarajuća dimenzija se računa automatski.
```python
```python
X = X[:, 2]
X = X[:, 2]
X = X.reshape((-1,1))
X = X.reshape((-1,1))
```
```
✅ U bilo kojem trenutku, ispišite podatke da provjerite njihov oblik.
✅ Uvijek ispišite podatke da provjerite njihov oblik.
3. Sada kada imate podatke spremne za crtanje, možete vidjeti može li vam stroj pomoći da odredite logičku granicu između brojeva u ovom datasetu. Da biste to učinili, morate podijeliti i podatke (X) i ciljeve (y) u testne i trening skupove. Scikit-learn ima jednostavan način za to; možete podijeliti svoje testne podatke u određenoj točki.
3. Sada kada imate podatke spremne za crtanje, provjerite može li stroj pomoći u određivanju logičnog razdvajanja među brojevima u ovom skupu podataka. Za to trebate podijeliti i podatke (X) i cilj (y) na testne i trening skupove. Scikit-learn ima jednostavan način za to; podatke za test možete podijeliti na određenoj točki.
```python
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
```
4. Sada ste spremni za treniranje modela! Učitajte model linearne regresije i trenirajte ga s vašim X i y trening skupovima korištenjem`model.fit()`:
4. Sada ste spremni za treniranje modela! Učitajte model linearne regresije i trenirajte ga s vašim X i y trening skupovima koristeći`model.fit()`:
```python
```python
model = linear_model.LinearRegression()
model = linear_model.LinearRegression()
@ -186,13 +186,13 @@ U novoj ćeliji za kod učitajte dataset o dijabetesu pozivajući `load_diabetes
✅ `model.fit()` je funkcija koju ćete vidjeti u mnogim ML bibliotekama poput TensorFlowa
✅ `model.fit()` je funkcija koju ćete vidjeti u mnogim ML bibliotekama poput TensorFlowa
5. Zatim, napravite predikciju koristeći test podatke, koristeći funkciju `predict()`. Ona će služiti za crtanje linije između skupina podataka
5. Zatim napravite predviđanje koristeći testne podatke, koristeći funkciju `predict()`. Ona će se koristiti za crtanje linije između skupina podataka
```python
```python
y_pred = model.predict(X_test)
y_pred = model.predict(X_test)
```
```
6. Sada je vrijeme prikazati podatke na grafikonu. Matplotlib je vrlo koristan alat za ovaj zadatak. Napravite scatterplot svih X i y test podataka i upotrijebite predikciju da nacrtate liniju na najprikladnijem mjestu između grupacija podataka modela.
6. Vrijeme je da prikažete podatke na grafu. Matplotlib je vrlo koristan alat za ovaj zadatak. Napravite scatter plot svih X i y testnih podataka, i upotrijebite predviđanje za crtanje linije na najprikladnijem mjestu između skupina modela.
```python
```python
plt.scatter(X_test, y_test, color='black')
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@ U novoj ćeliji za kod učitajte dataset o dijabetesu pozivajući `load_diabetes
plt.show()
plt.show()
```
```
✅ Razmislite malo o tome što se događa. Ravna linija prolazi kroz mnogo malih točaka podataka, ali što točno radi? Možete li vidjeti kako biste mogli koristiti ovu liniju da predvidite gdje bi nova, neviđena točka podataka trebala stati u odnosu na y os grafa? Pokušajte riječima opisati praktičnu upotrebu ovog modela.
✅ Razmislite malo o tome što se ovdje događa. Prava linija prolazi kroz mnoge male točke podataka, ali što točno radi? Možete li vidjeti kako biste trebali moći koristiti ovu liniju za predviđanje gdje bi nova, neviđena točka podataka trebala stati u odnosu na y-osu na grafikonu? Pokušajte riječima objasniti praktičnu upotrebu ovog modela.
Čestitamo, izradili ste svoj prvi model linearne regresije, napravili predviđanje i prikazali ga na grafu!
Čestitamo, izgradili ste svoj prvi model linearne regresije, stvorili predviđanje pomoću njega i prikazali ga na grafikonu!
---
---
## 🚀Izazov
## 🚀Izazov
Prikazujte drugu varijablu iz ovog skupa podataka. Nagovještaj: uredite ovaj redak: `X = X[:,2]`. S obzirom na cilj ovog skupa podataka, što možete otkriti o napredovanju dijabetesa kao bolesti?
Prikažite drugu varijablu iz ovog skupa podataka. Savjet: uredite ovaj redak: `X = X[:,2]`. S obzirom na cilj ovog skupa podataka, što možete otkriti o progresiji dijabetesa kao bolesti?
## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ml/)
## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ml/)
## Sažetak i samostalan rad
## Pregled i samostalno učenje
U ovom vodiču radili ste s jednostavnom linearnom regresijom, umjesto s univarijatnom ili višestrukom linearnom regresijom. Pročitajte malo o razlikama između ovih metoda ili pogledajte [ovaj video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
U ovom vodiču radili ste s jednostavnom linearnom regresijom, a ne univarijatnom ili višestrukom linearnom regresijom. Pročitajte malo o razlikama između ovih metoda, ili pogledajte [ovaj video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Pročitajte više o konceptu regresije i razmislite o vrstama pitanja na koja se ovom tehnikom može odgovoriti. Prođite ovaj [vodič](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) kako biste produbili svoje razumijevanje.
Pročitajte više o konceptu regresije i razmislite o vrstama pitanja na koja se ovom tehnikom može odgovoriti. Prođite kroz ovaj [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) kako biste produbili svoje razumijevanje.
Grupiranje je zadatak strojnog učenja koji nastoji pronaći objekte koji su slični jedni drugima i grupirati ih u skupine koje nazivamo klasterima. Ono što razlikuje grupiranje od drugih pristupa u strojnome učenju jest činjenica da se proces odvija automatski; zapravo, može se reći da je to suprotnost nadziranom učenju.
Grupiranje je zadatak strojnog učenja gdje se traže objekti koji su jedan drugome slični i grupiraju u skupine zvane klasteri. Ono po čemu se grupiranje razlikuje od drugih pristupa u strojnome učenju jest to što se sve odvija automatski, zapravo, može se reći da je to suprotno od nadziranog učenja.
## Regionalna tema: modeli grupiranja za glazbeni ukus nigerijske publike 🎧
## Regijski predmet: modeli grupiranja za glazbeni ukus nigerijske publike 🎧
Raznolika publika u Nigeriji ima raznolike glazbene ukuse. Koristeći podatke prikupljene sa Spotifyja (inspirirano [ovim člankom](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), pogledajmo neke od popularnih pjesama u Nigeriji. Ovaj skup podataka uključuje informacije o raznim pjesmama, poput ocjene 'plesnosti', 'akustičnosti', glasnoće, 'govorljivosti', popularnosti i energije. Bit će zanimljivo otkriti obrasce u ovim podacima!
Nigerijska raznolika publika ima raznolike glazbene ukuse. Koristeći podatke prikupljene s Spotifya (inspirirano [ovim člankom](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), pogledajmo nešto glazbe popularne u Nigeriji. Ova skupina podataka uključuje podatke o 'plesnosti', 'akustičnosti', glasnoći, 'govornosti', popularnosti i energiji različitih pjesama. Bit će zanimljivo otkriti obrasce u ovim podacima!
> Fotografija autora <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> na <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
> Fotografija <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcele Laskoski</a> na <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
U ovom nizu lekcija otkrit ćete nove načine analize podataka koristeći tehnike grupiranja. Grupiranje je posebno korisno kada vaš skup podataka nema oznake. Ako ima oznake, tada bi tehnike klasifikacije, poput onih koje ste naučili u prethodnim lekcijama, mogle biti korisnije. No, u slučajevima kada želite grupirati nepovezane podatke, grupiranje je odličan način za otkrivanje obrazaca.
U ovoj seriji lekcija otkrit ćete nove načine analize podataka koristeći tehnike grupiranja. Grupiranje je posebno korisno kada vaša skupina podataka nema oznake. Ako oznake postoje, tada su tehnike klasifikacije, poput onih koje ste naučili u prethodnim lekcijama, možda korisnije. Ali u slučajevima kada želite grupirati podatke bez oznaka, grupiranje je odličan način za otkrivanje obrazaca.
> Postoje korisni alati s malo koda koji vam mogu pomoći u radu s modelima grupiranja. Isprobajte [Azure ML za ovaj zadatak](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Postoje korisni alati s malo koda koji vam mogu pomoći da naučite raditi s modelima grupiranja. Isprobajte [Azure ML za ovaj zadatak](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Lekcije
## Lekcije
1. [Uvod u grupiranje](1-Visualize/README.md)
1. [Uvod u grupiranje](1-Visualize/README.md)
2. [K-Means grupiranje](2-K-Means/README.md)
2. [K-means grupiranje](2-K-Means/README.md)
## Zasluge
## Zasluge
Ove lekcije napisane su uz 🎶 od strane [Jen Looper](https://www.twitter.com/jenlooper) uz korisne recenzije od [Rishit Dagli](https://rishit_dagli) i [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Ove lekcije napisala je 🎶 [Jen Looper](https://www.twitter.com/jenlooper) uz korisne recenzije [Rishita Daglija](https://rishit_dagli/) i [Muhammada Sakiba Khana Inana](https://twitter.com/Sakibinan).
Skup podataka [Nigerijske pjesme](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) preuzet je s Kagglea, prikupljen sa Spotifyja.
Skup podataka [Nigerijske pjesme](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) preuzet je s Kagglea, prikupljen sa Spotifya.
Korisni primjeri K-Means grupiranja koji su pomogli u stvaranju ove lekcije uključuju ovu [analizu irisa](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ovaj [uvodni notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python) i ovaj [hipotetski primjer za nevladinu organizaciju](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Korisni primjeri K-means algoritma koji su pomogli u stvaranju ove lekcije uključuju ovu [analizu irisa](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ovaj [uvodni notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python) i ovaj [hipotetski primjer nevladine organizacije](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
---
**Odricanje od odgovornosti**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Ovaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.
**Napomena**:
Ovaj dokument je preveden korištenjem AI prevoditeljskog servisa [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati greške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za važne informacije preporuča se profesionalni ljudski prijevod. Nismo odgovorni za bilo kakva nesporazumevanja ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda.
## Regionalna tema: svjetska potrošnja električne energije ✨
## Regionalna tema: svjetska potrošnja električne energije ✨
U ova dva lekcija bit ćete upoznati s predviđanjem vremenskih serija, područjem strojnog učenja koje je možda manje poznato, ali izuzetno vrijedno za industrijske i poslovne primjene, kao i za druge oblasti. Iako se neuronske mreže mogu koristiti za povećanje korisnosti ovih modela, proučavat ćemo ih u kontekstu klasičnog strojnog učenja jer modeli pomažu u predviđanju budućih performansi na temelju prošlih podataka.
U ova dva sata upoznat ćete se s predviđanjem vremenskih serija, relativno manje poznatim područjem strojnog učenja koje je ipak izuzetno vrijedno za industriju i poslovne primjene, među ostalim područjima. Dok se neuronske mreže mogu koristiti za poboljšanje korisnosti ovih modela, proučavat ćemo ih u kontekstu klasičnog strojnog učenja jer modeli pomažu predvidjeti buduće performanse na temelju prošlosti.
Naš regionalni fokus je potrošnja električne energije u svijetu, zanimljiv skup podataka za učenje o predviđanju buduće potrošnje energije na temelju obrazaca prošlog opterećenja. Možete vidjeti kako ovakvo predviđanje može biti izuzetno korisno u poslovnom okruženju.
Naš regionalni fokus je potrošnja električne energije u svijetu, zanimljiv skup podataka za učenje o predviđanju buduće potrošnje energije na temelju uzoraka prošlog opterećenja. Možete vidjeti kako ovakvo predviđanje može biti izuzetno korisno u poslovnom okruženju.
Fotografija [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) električnih tornjeva na cesti u Rajasthanu na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Fotografija [Peddija Sai hrithika](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) električnih stupova uz cestu u Radžastanu na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Lekcije
## Lekcije
1. [Uvod u predviđanje vremenskih serija](1-Introduction/README.md)
1. [Uvod u predviđanje vremenskih serija](1-Introduction/README.md)
2. [Izrada ARIMA modela vremenskih serija](2-ARIMA/README.md)
2. [Izgradnja ARIMA modela vremenskih serija](2-ARIMA/README.md)
3. [Izrada Support Vector Regressor modela za predviđanje vremenskih serija](3-SVR/README.md)
3. [Izrada Support Vector Regressora za predviđanje vremenskih serija](3-SVR/README.md)
## Zasluge
## Zasluge
"Uvod u predviđanje vremenskih serija" napisali su s ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) i [Jen Looper](https://twitter.com/jenlooper). Bilježnice su se prvi put pojavile online u [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) koje je izvorno napisala Francesca Lazzeri. Lekciju o SVR-u napisao je [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
"Uvod u predviđanje vremenskih serija" napisale su ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) i [Jen Looper](https://twitter.com/jenlooper). Bilježnice su se prvi put pojavile na mreži u [Azure "Deep Learning For Time Series" spremištu](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) koje je izvorno napisala Francesca Lazzeri. Lekciju o SVR-u napisao je [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
---
**Odricanje od odgovornosti**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Ovaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.
**Napomena**:
Ovaj dokument je preveden korištenjem AI prevoditeljskog servisa [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati greške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za važne informacije preporuča se profesionalni ljudski prijevod. Nismo odgovorni za bilo kakva nesporazumevanja ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda.
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
> Ovaj repozitorij uključuje prijevode na 50+ jezika što značajno povećava veličinu preuzimanja. Za kloniranje bez prijevoda koristite sparse checkout:
> Ovaj repozitorij uključuje prijevode na više od 50 jezika što značajno povećava veličinu preuzimanja. Za kloniranje bez prijevoda, koristite sparse checkout:
>
>
> **Bash / macOS / Linux:**
> **Bash / macOS / Linux:**
> ```bash
> ```bash
@ -33,55 +33,57 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
> ```
>
>
> Ovo vam daje sve što vam je potrebno za završetak tečaja s mnogo bržim preuzimanjem.
> Ovo vam daje sve što vam je potrebno za dovršetak tečaja s znatno bržim preuzimanjem.
Imamo ongoing Discord seriju učimo s AI, saznajte više i pridružite se na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilota za Data Science.
Imamo aktivnu Discord seriju učenja s AI, saznajte više i pridružite nam se na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilota za podatkovnu znanost.
# Strojno učenje za početnike - Nastavni plan
# Strojno učenje za početnike - Nastavni plan
> 🌍 Putujte svijetom dok istražujemo Strojno učenje kroz svjetske kulture 🌍
> 🌍 Putujte po svijetu dok istražujemo strojno učenje putem svjetskih kultura 🌍
Cloud Advocates u Microsoftu s ponosom nude 12-tjedni, 26-lekcijski nastavni plan sve o**Strojnom učenju**. U ovom nastavnom planu naučit ćete o onome što se ponekad naziva **klasičnim strojnim učenjem**, koristeći prvenstveno biblioteku Scikit-learn i izbjegavajući duboko učenje, koje je obuhvaćeno u našem [nastavnom planu AI za početnike](https://aka.ms/ai4beginners). Kombinirajte ove lekcije s našim [nastavnim planom 'Data Science za početnike'](https://aka.ms/ds4beginners)!
Cloud Advocates u Microsoftu s ponosom nude 12-tjedni, 26-lekcijski nastavni plan posvećen**Strojnom učenju**. U ovom nastavnom planu naučit ćete ono što se ponekad naziva **klasičnim strojnim učenjem**, koristeći uglavnom biblioteku Scikit-learn i izbjegavajući duboko učenje, koje je obrađeno u našem [nastavnom planu AI za početnike](https://aka.ms/ai4beginners). Također kombinirajte ove lekcije s našim [nastavnim planom 'Data Science for Beginners'](https://aka.ms/ds4beginners)!
Putujte s nama oko svijeta dok primjenjujemo ove klasične tehnike na podatke iz mnogih područja svijeta. Svaka lekcija uključuje kviz prije i poslije lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i još mnogo toga. Naša pedagoška metoda temeljena na projektima omogućuje vam učenje dok gradite, što je dokazani način da nove vještine "zapnu".
Putujte s nama po svijetu dok primjenjujemo ove klasične tehnike na podatke iz mnogih dijelova svijeta. Svaka lekcija uključuje pre- i post-lekcijske kvizove, pisane upute za dovršetak lekcije, rješenje, zadatak i više. Naša pedagoška metoda temeljena na projektima omogućuje vam učenje kroz izgradnju, dokazani način da nove vještine "ostanu".
**✍️ Veliko hvala našim autorima** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
**✍️ Srdačne zahvale našim autorima** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
**🎨 Zahvale i našim ilustratorima** Tomomi Imura, Dasani Madipalli i Jen Looper
**🎨 Zahvale također i našim ilustratorima** Tomomi Imura, Dasani Madipalli i Jen Looper
**🙏 Posebne zahvale 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima**, posebno Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
**🙏 Posebne zahvale 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima sadržaja**, osobito Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
**🤩 Dodatna zahvalnost Microsoft Student Ambasadorima Ericu Wanjauu, Jasleen Sondhiju i Vidushi Gupti za naše R lekcije!**
**🤩 Posebno hvala Microsoft Student Ambassadorima Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za naše R lekcije!**
# Početak rada
# Početak rada
Slijedite ove korake:
Slijedite ove korake:
1. **Forkajte Repozitorij**: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice.
1. **Napravite fork repozitorija**: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice.
> 💡 **Savjet za brz početak:** Želite li započeti u pregledniku bez lokalnog postavljanja Pythona? Koristite [GitHub Codespaces](https://github.com/features/codespaces) za stvaranje razvojne cloud okoline za vaš fork. Otvorite zeleni izbornik **Code**, odaberite **Codespaces** i kreirajte codespace; instalirajte potrebne ovisnosti za svaku lekciju unutar njega po potrebi.
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Trebate pomoć?** Pogledajte naš [Priručnik za rješavanje problema](TROUBLESHOOTING.md) za rješenja uobičajenih problema s instalacijom, postavljanjem i izvođenjem lekcija.
> 🔧 **Trebate pomoć?** Provjerite naš [Vodič za rješavanje problema](TROUBLESHOOTING.md) za rješenja uobičajenih problema s instalacijom, postavljanjem i izvođenjem lekcija.
**[Studenti](https://aka.ms/student-page)**, za korištenje ovog nastavnog plana, forkajte cijeli repozitorij na svoj GitHub račun i dovršite vježbe sami ili u grupi:
**[Studenti](https://aka.ms/student-page)**, za korištenje ovog nastavnog plana, napravite fork čitavog repozitorija na svoj GitHub račun i rješavajte zadatke samostalno ili u grupi:
- Započnite kvizom prije predavanja.
- Počnite s kvizom prije predavanja.
- Pročitajte predavanje i dovršite aktivnosti, pauzirajte i razmišljajte na svakoj provjeri znanja.
- Pročitajte predavanje i dovršite aktivnosti, zastajući i razmišljajući na svakom provjeravanju znanja.
- Pokušajte napraviti projekte razumijevanjem lekcija umjesto izvršavanja koda rješenja; kod rješenja je dostupan u mapama `/solution` u svakoj lekciji orijentiranoj na projekt.
- Pokušajte stvarati projekte razumijevajući lekcije umjesto da samo pokrećete rješenja; međutim, kod je dostupan u mapama `/solution` u svakoj lekciji usmjerenoj na projekte.
- Polažite kviz nakon predavanja.
- Uradite kviz nakon predavanja.
- Dovršite izazov.
- Dovršite izazov.
- Dovršite zadatak.
- Dovršite zadatak.
- Nakon završetka grupe lekcija, posjetite [Odbor za raspravu](https://github.com/microsoft/ML-For-Beginners/discussions) i "učite naglas" ispunjavanjem odgovarajuće PAT ljestvice. 'PAT' je alat za procjenu napretka koji ispunjavate radi daljnjeg učenja. Također možete reagirati na druge PAT-ove kako bismo učili zajedno.
- Nakon dovršetka grupe lekcija, posjetite [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) i „učite naglas“ ispunjavajući odgovarajući PAT obrazac. 'PAT' je Alat za procjenu napretka koji ispunjavate radi daljnjeg učenja. Također možete reagirati na druge PAT-ove kako bismo učili zajedno.
> Za daljnje učenje preporučujemo sljedeće [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) module i obrazovne staze.
> Za daljnje učenje, preporučujemo praćenje ovih [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modula i putanja učenja.
**Nastavnici**, uključili smo [neke prijedloge](for-teachers.md) o tome kako koristiti ovaj nastavni plan.
**Nastavnici**, uključili smo [neke prijedloge](for-teachers.md) o tome kako koristiti ovaj nastavni plan.
@ -89,7 +91,7 @@ Slijedite ove korake:
## Video vodiči
## Video vodiči
Neke lekcije dostupne su kao kratki videozapisi. Sve ih možete pronaći u lekcijama ili na [ML for Beginners playlisti na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) klikom na sliku ispod.
Neke lekcije dostupne su i u obliku kratkih video zapisa. Sve ih možete pronaći u samim lekcijama ili na [ML for Beginners playlisti na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) klikom na donju sliku.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
@ -99,7 +101,7 @@ Neke lekcije dostupne su kao kratki videozapisi. Sve ih možete pronaći u lekci
> 🎥 Kliknite gornju sliku za video o projektu i ljudima koji su ga stvorili!
> 🎥 Kliknite gornju sliku za video o projektu i ljudima koji su ga stvorili!
@ -107,71 +109,72 @@ Neke lekcije dostupne su kao kratki videozapisi. Sve ih možete pronaći u lekci
## Pedagogija
## Pedagogija
Odabrali smo dva pedagoška načela prilikom izrade ovog nastavnog plana: osigurati da je praktičan i **temeljen na projektima** te da uključuje **učestale kvizove**. Osim toga, ovaj nastavni plan ima zajedničku **temu** koja mu daje koheziju.
Izabrali smo dva pedagoška principa pri izradi ovog nastavnog plana: osigurati da je praktičan i **temeljen na projektima** te da uključuje **česte kvizove**. Osim toga, ovaj nastavni plan ima zajedničku **temu** koja mu daje koheziju.
Osiguravajući da je sadržaj usklađen s projektima, proces postaje zanimljiviji za učenike i pojačava zadržavanje pojmova. Uz to, kviz s niskim ulogom prije sata postavlja namjeru učenika prema učenju teme, dok drugi kviz nakon nastave osigurava dodatno zadržavanje. Ovaj je nastavni plan dizajniran da bude fleksibilan i zabavan i može se koristiti u cijelosti ili djelomično. Projekti počinju jednostavno i postaju sve složeniji do kraja 12-tjednog ciklusa. Nastavni plan također uključuje postscript o stvarnim primjenama strojnog učenja, koji se može koristiti kao dodatni bodovi ili kao osnova za raspravu.
Osiguravanjem da sadržaj bude usklađen s projektima, proces učenja je zanimljiviji za učenike i povećava se zadržavanje koncepata. Također, kviz s niskim ulozima prije nastave postavlja namjeru učenika da uči određenu temu, dok drugi kviz nakon nastave osigurava dodatno zadržavanje. Ovaj nastavni plan je dizajniran da bude fleksibilan i zabavan te se može odraditi u cijelosti ili djelomično. Projekti započinju jednostavno i postaju sve složeniji do kraja 12-tjednog ciklusa. Nastavni plan također uključuje posvjetu o stvarnim primjenama strojnog učenja, koja se može koristiti kao dodatni bodovi ili kao osnova za diskusiju.
> Pronađite naše [Kodeks ponašanja](CODE_OF_CONDUCT.md), [Pravila doprinosa](CONTRIBUTING.md), [Prijevode](..) i [Rješavanje problema](TROUBLESHOOTING.md). Otvoreni smo za vaše konstruktivne povratne informacije!
> Pronađite naš [Kodeks ponašanja](CODE_OF_CONDUCT.md), [Doprinos](CONTRIBUTING.md), [Prijevodi](..) i [Vodič za rješavanje problema](TROUBLESHOOTING.md). Dobrodošli su vaši konstruktivni komentari!
## Svaka lekcija uključuje
## Svaka lekcija uključuje
- opcionalnu skicu
- opcionalnu skicu bilješki
- opcionu dodatnu video snimku
- opcionalni dodatni video
- video vodič (samo neke lekcije)
- video vodič (samo u nekim lekcijama)
- [kviz za zagrijavanje prije predavanja](https://ff-quizzes.netlify.app/en/ml/)
> **Napomena o jezicima**: Ove lekcije su prvenstveno napisane u Pythonu, ali mnoge su dostupne i u R-u. Za dovršetak R lekcije, idite u mapu `/solution` i potražite R lekcije. One uključuju ekstenziju .rmd koja predstavlja **R Markdown** datoteku koja se može jednostavno definirati kao umetak `code chunks` (R ili drugih jezika) i `YAML zaglavlja` (koje usmjerava kako formatirati izlaze poput PDF-a) u `Markdown dokumentu`. Kao takav, služi kao izvrstan okvir za autorstvo u znanosti o podacima jer vam omogućuje da kombinirate svoj kod, njegov izlaz i svoje misli pišući ih u Markdownu. Nadalje, R Markdown dokumenti se mogu prikazati u izlaznim formatima poput PDF, HTML ili Word.
> **Napomena o jezicima**: Lekcije su prvenstveno napisane u Pythonu, ali mnoge su dostupne i u R. Za dovršetak R lekcije, otiđite u mapu `/solution` i potražite R lekcije. One sadrže ekstenziju .rmd koja predstavlja **R Markdown** datoteku, što se može jednostavno definirati kao ugradnja `kôd blokova` (R ili drugih jezika) i `YAML zaglavlja` (koje vodi kako formatirati izlaze poput PDF-a) u `Markdown dokument`. Kao takav, služi kao izvrsni autorni okvir za podatkovnu znanost jer vam omogućuje da kombinirate svoj kod, njegov izlaz i svoje misli bilježeći ih u Markdownu. Nadalje, R Markdown dokumenti mogu se generirati u izlazne formate poput PDF-a, HTML-a ili Worda.
> **Napomena o kvizovima**: Svi kvizovi se nalaze u [Quiz App mapi](../../quiz-app), ukupno 52 kviza s po tri pitanja. Povezani su unutar lekcija, ali aplikaciju za kviz možete pokrenuti lokalno; slijedite upute u mapi `quiz-app` za lokalno hostanje ili postavljanje na Azure.
> **Napomena o kvizovima**: Svi kvizovi nalaze se u [Quiz App mapi](../../quiz-app), ukupno 52 kviza sa po tri pitanja svaki. Povezani su unutar lekcija, ali se Quiz app može pokrenuti lokalno; slijedite upute u mapi `quiz-app` za lokalni hosting ili distribuciju na Azure.
| Broj lekcije | Tema | Skup lekcija | Ciljevi učenja | Povezana lekcija | Autor |
| Broj lekcije | Tema | Grupiranje lekcija | Ciljevi učenja | Povezana lekcija | Autor |
| 01 | Uvod u strojno učenje | [Uvod](1-Introduction/README.md) | Naučite osnovne pojmove strojnog učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Povijest strojnog učenja | [Uvod](1-Introduction/README.md) | Naučite povijest koja stoji iza ovog područja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 01 | Uvod u strojno učenje | [Introduction](1-Introduction/README.md) | Naučite osnovne pojmove iza strojnog učenja | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 03 | Pravednost i strojno učenje | [Uvod](1-Introduction/README.md) | Koja su važna filozofska pitanja o pravednosti koja studenti trebaju uzeti u obzir pri izradi i primjeni ML modela? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 02 | Povijest strojnog učenja | [Introduction](1-Introduction/README.md) | Naučite povijest koja stoji iza ovog područja | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 04 | Tehnike za strojno učenje | [Uvod](1-Introduction/README.md) | Koje tehnike istraživači strojnog učenja koriste za izgradnju ML modela? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
| 03 | Pravednost i strojno učenje | [Introduction](1-Introduction/README.md) | Koja su važna filozofska pitanja vezana uz pravednost koje studenti trebaju razmotriti prilikom izgradnje i primjene modela strojnog učenja? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 05 | Uvod u regresiju | [Regresija](2-Regression/README.md) | Počnite s Pythonom i Scikit-learnom za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 04 | Tehnike za strojno učenje | [Introduction](1-Introduction/README.md) | Koje tehnike istraživači strojnog učenja koriste za izgradnju modela strojnog učenja? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 06 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Vizualizirajte i očistite podatke u pripremi za ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 05 | Uvod u regresiju | [Regression](2-Regression/README.md) | Počnite s Python i Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 07 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izgradite linearne i polinomijske regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 06 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regression](2-Regression/README.md) | Vizualizirajte i očistite podatke u pripremi za strojno učenje | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 08 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izgradite logistički regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 07 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regression](2-Regression/README.md) | Izgradite linearne i polinomne regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 09 | Web aplikacija 🔌 | [Web App](3-Web-App/README.md) | Izgradite web aplikaciju za korištenje vašeg treniranog modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 08 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regression](2-Regression/README.md) | Izgradite model logističke regresije | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 10 | Uvod u klasifikaciju | [Klasifikacija](4-Classification/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasifikaciju | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau |
| 09 | Web aplikacija 🔌 | [Web App](3-Web-App/README.md) | Izgradite web aplikaciju za korištenje vašeg istreniranog modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 11 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod u klasifikatore | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen i Cassie • Eric Wanjau |
| 10 | Uvod u klasifikaciju | [Classification](4-Classification/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasifikaciju | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 12 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Još klasifikatora | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau |
| 11 | Ukusne azijske i indijske kuhinje 🍜 | [Classification](4-Classification/README.md) | Uvod u klasifikatore | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 13 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Izgradite preporučiteljsku web aplikaciju koristeći svoj model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 12 | Ukusne azijske i indijske kuhinje 🍜 | [Classification](4-Classification/README.md) | Više klasifikatora | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 14 | Uvod u klasteriranje | [Klasteriranje](5-Clustering/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; Uvod u klasteriranje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 13 | Ukusne azijske i indijske kuhinje 🍜 | [Classification](4-Classification/README.md) | Izgradite preporučiteljsku web aplikaciju koristeći vaš model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 15 | Istraživanje glazbenih ukusa Nigerije 🎧 | [Klasteriranje](5-Clustering/README.md) | Istražite metodu K-Means klasteriranja | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 14 | Uvod u klasteriranje | [Clustering](5-Clustering/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasteriranje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Uvod u obradu prirodnog jezika ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Naučite osnove NLP-a izradom jednostavnog bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 15 | Istraživanje nigerijskih glazbenih ukusa 🎧 | [Clustering](5-Clustering/README.md) | Istražite K-Means metodu klasteriranja | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 17 | Uobičajeni NLP zadaci ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Produbite svoje NLP znanje razumijevanjem uobičajenih zadataka u radu s jezičnim strukturama | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 16 | Uvod u obradu prirodnog jezika ☕️ | [Natural language processing](6-NLP/README.md) | Naučite osnove NLP-a izradeći jednostavnog bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 18 | Prevođenje i analiza sentimenta ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Prevođenje i analiza sentimenta s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 17 | Uobičajeni NLP zadaci ☕️ | [Natural language processing](6-NLP/README.md) | Produbite svoje NLP znanje razumijevanjem uobičajenih zadataka potrebnih za rad s jezičnim strukturama | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 19 | Romantični hoteli u Europi ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta uz recenzije hotela 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 18 | Prevođenje i analiza sentimenta ♥️ | [Natural language processing](6-NLP/README.md) | Prevođenje i analiza sentimenta s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 20 | Romantični hoteli u Europi ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta uz recenzije hotela 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 19 | Romantični hoteli Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 21 | Uvod u vremenske serije i prognoze | [Vremenske serije](7-TimeSeries/README.md) | Uvod u vremenske serije i prognoziranje | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 20 | Romantični hoteli Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ Svjetska potrošnja električne energije ⚡️ - prognoza vremenskih serija s ARIMA | [Vremenske serije](7-TimeSeries/README.md) | Prognozira vremenske serije korištenjem ARIMA modela | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 21 | Uvod u vremenske serije | [Time series](7-TimeSeries/README.md) | Uvod u predviđanje vremenskih serija | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Svjetska potrošnja električne energije ⚡️ - prognoza vremenskih serija s SVR | [Vremenske serije](7-TimeSeries/README.md) | Prognoza vremenskih serija pomoću regresora potpornih vektora (SVR) | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 22 | ⚡️ Korištenje električne energije u svijetu ⚡️ - predviđanje vremenskih serija s ARIMA | [Time series](7-TimeSeries/README.md) | Predviđanje vremenskih serija s ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 24 | Uvod u učenje pojačanjem | [Učenje pojačanjem](8-Reinforcement/README.md) | Uvod u učenje pojačanjem s Q-Learning metodom | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 23 | ⚡️ Korištenje električne energije u svijetu ⚡️ - predviđanje vremenskih serija sa SVR | [Time series](7-TimeSeries/README.md) | Predviđanje vremenskih serija s regresorom potpornih vektora | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 25 | Pomozi Petru izbjeći vuka! 🐺 | [Učenje pojačanjem](8-Reinforcement/README.md) | Učenje pojačanjem Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| 24 | Uvod u učenje učvršćivanjem | [Reinforcement learning](8-Reinforcement/README.md) | Uvod u učenje učvršćivanjem s Q-Learningom | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Dodatek | Scenariji i primjene ML u stvarnom svijetu | [ML u divljini](9-Real-World/README.md) | Zanimljive i poučne primjene klasičnog strojnog učenja u stvarnom svijetu | [Lekcija](9-Real-World/1-Applications/README.md) | Tim |
| 25 | Pomozi Petru izbjeći vuka! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Učenje učvršćivanjem u Gym-u | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Dodatek | Otklanjanje pogrešaka u ML pomoću RAI nadzorne ploče | [ML u divljini](9-Real-World/README.md) | Otklanjanje pogrešaka u strojnim modelima korištenjem komponenti Responsible AI nadzorne ploče | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| Postscript | Stvarni scenariji i primjene strojnog učenja | [ML in the Wild](9-Real-World/README.md) | Zanimljive i otkrivajuće stvarne primjene klasičnog strojnog učenja | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Otklanjanje pogrešaka modela u strojnog učenja koristeći RAI nadzornu ploču | [ML in the Wild](9-Real-World/README.md) | Otklanjanje pogrešaka modela u strojnog učenja koristeći odgovorne AI komponente nadzorne ploče | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline pristup
## Pristup bez interneta
Ovu dokumentaciju možete pokrenuti offline pomoću [Docsify](https://docsify.js.org/#/). Forkajte ovaj repozitorij, [instalirajte Docsify](https://docsify.js.org/#/quickstart) na svoje lokalno računalo, a zatim u korijenskoj mapi ovog repozitorija upišite `docsify serve`. Web stranica će se poslužiti na portu 3000 na vašem localhostu: `localhost:3000`.
Možete pokrenuti ovu dokumentaciju offline koristeći [Docsify](https://docsify.js.org/#/). Forkajte ovaj repo, [instalirajte Docsify](https://docsify.js.org/#/quickstart) na svojem lokalnom računalu, a zatim u korijenskoj mapi ovog repozitorija upišite `docsify serve`. Web stranica će biti servirana na portu 3000 na vašem localhostu: `localhost:3000`.
## PDF-ovi
## PDF-ovi
Pronađite PDF kurikuluma s vezama [ovdje](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Pronađite pdf kurikuluma s poveznicama [ovdje](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Drugi tečajevi
## 🎒 Ostali tečajevi
Naš tim proizvodi i druge tečajeve! Pogledajte:
Naš tim proizvodi i druge tečajeve! Pogledajte:
@ -186,11 +189,11 @@ Naš tim proizvodi i druge tečajeve! Pogledajte:
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
---
### Serija Generativne AI
### Serija generativne umjetne inteligencije
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -198,10 +201,10 @@ Naš tim proizvodi i druge tečajeve! Pogledajte:
---
---
### Osnovno učenje
### Temeljno učenje
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
@ -210,26 +213,26 @@ Naš tim proizvodi i druge tečajeve! Pogledajte:
---
---
### Serija Copilot
### Serija Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Ako naiđete na greške, pogreške ili imate prijedloge za poboljšanja, također možete otvoriti **Issue** u ovom spremištu da prijavite problem.
Ako naiđete na greške, pogreške ili imate prijedloge za poboljšanja, također možete otvoriti **Issue** u ovom repozitoriju za prijavu problema.
Za povratne informacije o proizvodu ili pretraživanje postojećih objava zajednice, posjetite Forum za programere:
Za povratne informacije o proizvodu ili pretraživanje postojećih objava zajednice, posjetite Forum za programere:
@ -237,13 +240,13 @@ Za povratne informacije o proizvodu ili pretraživanje postojećih objava zajedn
## Dodatni savjeti za učenje
## Dodatni savjeti za učenje
- Pregledajte bilježnice nakon svake lekcije za bolje razumijevanje.
- Pregledavajte bilježnice nakon svakog poglavlja radi boljeg razumijevanja.
- Vježbajte samostalnu implementaciju algoritama.
- Vježbajte implementaciju algoritama samostalno.
- Istražite stvarne skupove podataka koristeći naučene koncepte.
- Istražite stvarne skupove podataka koristeći naučene koncepte.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Odricanje od odgovornosti**:
**Napomena**:
Ovaj dokument preveden je korištenjem AI usluge za prijevod [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo postići točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se stručni ljudski prijevod. Ne snosimo odgovornost za bilo kakve nesporazume ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda.
Ovaj dokument je preveden korištenjem AI prevoditeljskog servisa [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati greške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za važne informacije preporuča se profesionalni ljudski prijevod. Nismo odgovorni za bilo kakva nesporazumevanja ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda.
Želite li koristiti ovaj kurikulum u svojoj učionici? Slobodno ga iskoristite!
Želite li koristiti ovaj kurikulum u svojoj učionici? Slobodno ga koristite!
Zapravo, možete ga koristiti direktno na GitHubu pomoću GitHub Classroom.
Zapravo, možete ga koristiti unutar samog GitHuba koristeći GitHub Classroom.
Da biste to učinili, napravite fork ovog repozitorija. Trebat ćete kreirati repozitorij za svaku lekciju, pa ćete morati izdvojiti svaku mapu u zaseban repozitorij. Na taj način [GitHub Classroom](https://classroom.github.com/classrooms) može prepoznati svaku lekciju zasebno.
Za to, forknite ovaj repozitorij. Trebat ćete kreirati repozitorij za svaki lekciju, pa ćete morati izvući svaku mapu u poseban repozitorij. Na taj način, [GitHub Classroom](https://classroom.github.com/classrooms) može zasebno preuzimati svaku lekciju.
Ove [detaljne upute](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) dat će vam ideju kako postaviti svoju učionicu.
Ove [cjelovite upute](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) dat će vam ideju kako postaviti svoju učionicu.
## Korištenje repozitorija u trenutnom obliku
## Korištenje repozitorija takvog kakav jest
Ako želite koristiti ovaj repozitorij u njegovom trenutnom obliku, bez korištenja GitHub Classroom, to je također moguće. Trebat ćete komunicirati sa svojim učenicima o tome koju lekciju zajedno obraditi.
Ako želite koristiti ovaj repozitorij kako stoji, bez upotrebe GitHub Classroooma, to je također moguće. Morat ćete komunicirati sa svojim studentima koju lekciju trebate zajedno proći.
U online formatu (Zoom, Teams ili drugi) možete organizirati breakout sobe za kvizove i mentorirati učenike kako bi se pripremili za učenje. Zatim pozovite učenike da sudjeluju u kvizovima i predaju svoje odgovore kao 'issues' u određeno vrijeme. Isto možete učiniti s zadacima, ako želite da učenici surađuju javno.
U online formatu (Zoom, Teams ili drugi) možete organizirati zasebne sobe za kvizove i mentorirati studente da ih pripremite za učenje. Zatim pozovite studente da polažu kvizove i predaju njihove odgovore kao 'issues' u određeno vrijeme. Isto tako možete napraviti i sa zadacima, ako želite da studenti rade suradnički i javno.
Ako preferirate privatniji format, zamolite učenike da forkaju kurikulum, lekciju po lekciju, u svoje privatne GitHub repozitorije i daju vam pristup. Tada mogu privatno završiti kvizove i zadatke te ih predati vama putem 'issues' na vašem repozitoriju za učionicu.
Ako preferirate privatniji format, zamolite svoje studente da forknu kurikulum, lekciju po lekciju, u svoje vlastite GitHub repozitorije kao privatne repozitorije te vam daju pristup. Tada mogu privatno dovršavati kvizove i zadatke te vam ih predavati putem issues na vašem repozitoriju učionice.
Postoji mnogo načina kako ovo može funkcionirati u online učionici. Javite nam što vam najbolje odgovara!
Postoji mnogo načina da to funkcionira u online format učionice. Javite nam što vam najbolje odgovara!
## Molimo podijelite svoje mišljenje!
## Molimo vas da nam date svoje mišljenje!
Želimo da ovaj kurikulum bude koristan za vas i vaše učenike. Molimo vas da nam ostavite [povratne informacije](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Želimo da ovaj kurikulum bude koristan vama i vašim studentima. Molimo vas, dajte nam [povratnu informaciju](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
---
**Odricanje od odgovornosti**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda.
**Napomena**:
Ovaj dokument je preveden korištenjem AI prevoditeljskog servisa [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati greške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za važne informacije preporuča se profesionalni ljudski prijevod. Nismo odgovorni za bilo kakva nesporazumevanja ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda.
[](https://youtu.be/N6wxM4wZ7V0 "ML za začetnike - Zgodovina strojnega učenja")
[](https://youtu.be/N6wxM4wZ7V0 "ML za začetnike - Zgodovina strojnega učenja")
> 🎥 Kliknite zgornjo sliko za kratek video, ki obravnava to lekcijo.
> 🎥 Kliknite na zgornjo sliko za kratek video, ki obravnava to lekcijo.
V tej lekciji bomo pregledali glavne mejnike v zgodovini strojnega učenja in umetne inteligence.
V tej lekciji bomo pregledali glavne mejnike v zgodovini strojnega učenja in umetne inteligence.
Zgodovina umetne inteligence (UI) kot področja je tesno povezana z zgodovino strojnega učenja, saj so algoritmi in računalniški napredki, ki podpirajo strojno učenje, prispevali k razvoju UI. Pomembno je vedeti, da so se ta področja kot ločeni raziskovalni smeri začela oblikovati v 50. letih prejšnjega stoletja, vendar so pomembna [algoritmična, statistična, matematična, računalniška in tehnična odkritja](https://wikipedia.org/wiki/Timeline_of_machine_learning) predhodila in prekrivala to obdobje. Pravzaprav ljudje razmišljajo o teh vprašanjih že [stoletja](https://wikipedia.org/wiki/History_of_artificial_intelligence): ta članek obravnava zgodovinske intelektualne temelje ideje o 'mislečem stroju.'
Zgodovina umetne inteligence (UI) kot področja je prepletena z zgodovino strojnega učenja, saj so algoritmi in računalniški napredki, ki podpirajo strojno učenje, vplivali na razvoj UI. Uporno si je zapomniti, da so se ta področja kot samostojne vede začela oblikovati v 50. letih prejšnjega stoletja, vendar so pomembna [algoritemska, statistična, matematična, računalniška in tehnična odkritja](https://wikipedia.org/wiki/Timeline_of_machine_learning) nastala in prekrivala to obdobje že prej. Pravzaprav ljudje razmišljajo o teh vprašanjih že [stotine let](https://wikipedia.org/wiki/History_of_artificial_intelligence): ta članek obravnava zgodovinska intelektualna izhodišča ideje 'mišljajočega stroja.'
---
---
## Pomembna odkritja
## Opazna odkritja
- 1763, 1812 [Bayesov izrek](https://wikipedia.org/wiki/Bayes%27_theorem) in njegovi predhodniki. Ta izrek in njegove aplikacije so osnova za sklepanje, saj opisujejo verjetnost dogodka na podlagi predhodnega znanja.
- 1763, 1812 [Bayesov izrek](https://wikipedia.org/wiki/Bayes%27_theorem) in njegovi predhodniki. Ta izrek in njegove aplikacije temeljijo na sklepanju, ki opisuje verjetnost dogodka glede na predhodno znanje.
- 1805 [Teorija najmanjših kvadratov](https://wikipedia.org/wiki/Least_squares) francoskega matematika Adriena-Marieja Legendra. Ta teorija, o kateri se boste učili v enoti o regresiji, pomaga pri prilagajanju podatkov.
- 1805 [Teorija najmanjših kvadratov](https://wikipedia.org/wiki/Least_squares) francoskega matematika Adriena-Marieja Legendreja. O tej teoriji bomo izvedeli v naši enoti o regresiji, pomaga pri prilagajanju podatkov.
- 1913 [Markovske verige](https://wikipedia.org/wiki/Markov_chain), poimenovane po ruskem matematiku Andreju Markovu, opisujejo zaporedje možnih dogodkov na podlagi prejšnjega stanja.
- 1913 [Markovljevi procesi](https://wikipedia.org/wiki/Markov_chain), poimenovani po ruskem matematiku Andreju Markovu, se uporabljajo za opis zaporedja možnih dogodkov glede na prejšnje stanje.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) je vrsta linearnega klasifikatorja, ki ga je izumil ameriški psiholog Frank Rosenblatt in je osnova za napredek v globokem učenju.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) je vrsta linearnega klasifikatorja, ki ga je izumil ameriški psiholog Frank Rosenblatt in je osnova za napredek v globokem učenju.
---
---
- 1967 [Najbližji sosed](https://wikipedia.org/wiki/Nearest_neighbor) je algoritem, prvotno zasnovan za načrtovanje poti. V kontekstu strojnega učenja se uporablja za prepoznavanje vzorcev.
- 1967 [Najbližji sosed](https://wikipedia.org/wiki/Nearest_neighbor) je algoritem, prvotno zasnovan za načrtovanje poti. V kontekstu strojnega učenja se uporablja za odkrivanje vzorcev.
- 1970 [Povratno širjenje](https://wikipedia.org/wiki/Backpropagation) se uporablja za učenje [feedforward nevronskih mrež](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1970 [Algoritem backpropagation](https://wikipedia.org/wiki/Backpropagation) se uporablja za treniranje [federiranih nevronskih mrež](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Rekurentne nevronske mreže](https://wikipedia.org/wiki/Recurrent_neural_network) so umetne nevronske mreže, izpeljane iz feedforward mrež, ki ustvarjajo časovne grafe.
- 1982 [Rekurentne nevronske mreže](https://wikipedia.org/wiki/Recurrent_neural_network) so umetne nevronske mreže, izpeljane iz fidervand nevronskih mrež, ki ustvarjajo časovne grafe.
✅ Raziščite. Kateri drugi datumi so po vašem mnenju ključni v zgodovini strojnega učenja in umetne inteligence?
✅ Naredite malo raziskave. Kateri drugi datumi izstopajo kot ključni v zgodovini ML in UI?
---
---
## 1950: Stroji, ki mislijo
## 1950: Stroji, ki razmišljajo
Alan Turing, resnično izjemna oseba, ki je bil [leta 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) izbran za največjega znanstvenika 20. stoletja, je zaslužen za postavitev temeljev koncepta 'stroja, ki lahko misli.' Soočen je bil s skeptiki in lastno potrebo po empiričnih dokazih tega koncepta, deloma z ustvarjanjem [Turingovega testa](https://www.bbc.com/news/technology-18475646), ki ga boste raziskali v lekcijah o obdelavi naravnega jezika.
Alan Turing, izjemna osebnost, ki ga je [javnost leta 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) izbrala za največjega znanstvenika 20. stoletja, velja za tistega, ki je pomagal položiti temelje za koncept 'stroja, ki zna razmišljati'. Sooči se je z dvomljivci in svojo potrebo po empiričnih dokazih tega koncepta deloma z ustvarjanjem [Turingovega testa](https://www.bbc.com/news/technology-18475646), ki ga boste raziskali v naših lekcijah NLP.
---
---
## 1956: Poletni raziskovalni projekt na Dartmouthu
## 1956: Poletni raziskovalni projekt Dartmouth
"Poletni raziskovalni projekt o umetni inteligenci na Dartmouthu je bil ključen dogodek za umetno inteligenco kot področje," in prav tukaj je bil skovan izraz 'umetna inteligenca' ([vir](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Poletni raziskovalni projekt Dartmouth o umetni inteligenci je bil ključni dogodek za umetno inteligenco kot področje," in prav tukaj je bil skovan izraz 'umetna inteligenca' ([vir](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Vsak vidik učenja ali katera koli druga značilnost inteligence je načeloma mogoče tako natančno opisati, da jo lahko stroj simulira.
> Vsak vidik učenja ali katera koli druga lastnost inteligence se načeloma lahko tako natančno opiše, da je mogoče narediti stroj, ki jo simulira.
---
---
Vodja raziskave, profesor matematike John McCarthy, je upal, "da bo mogoče nadaljevati na podlagi domneve, da je vsak vidik učenja ali katera koli druga značilnost inteligence načeloma mogoče tako natančno opisati, da jo lahko stroj simulira." Med udeleženci je bil tudi drug pomemben raziskovalec na tem področju, Marvin Minsky.
Vodilni raziskovalec, profesor matematike John McCarthy, je upal "nadaljevati na podlagi predpostavke, da je vsak vidik učenja ali katera koli druga lastnost inteligence načeloma tako natančno opisan, da ga je mogoče simulirati z napravo." Udeleženci so med drugim bili tudi drugi strokovnjaki na tem področju, kot je Marvin Minsky.
Delavnica je zaslužna za spodbujanje več razprav, vključno z "vzponom simboličnih metod, sistemov, osredotočenih na omejena področja (zgodnji ekspertni sistemi), in deduktivnih sistemov v primerjavi z induktivnimi sistemi." ([vir](https://wikipedia.org/wiki/Dartmouth_workshop)).
Delavnica je bila zaslužna za začetek in spodbujanje več razprav, vključno z "vzrastjo simboličnih metod, sistemov osredotočenih na omejene domene (zgodnji ekspertski sistemi) ter deduktivnih sistemov v primerjavi z induktivnimi sistemi." ([vir](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
---
## 1956 - 1974: "Zlata leta"
## 1956 - 1974: "Zlata leta"
Od 50. let do sredine 70. let je vladal optimizem, da bi UI lahko rešila številne težave. Leta 1967 je Marvin Minsky samozavestno izjavil: "V eni generaciji ... bo problem ustvarjanja 'umetne inteligence' v veliki meri rešen." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Od 50. let do sredine 70. let je optimizem cvetel v upanju, da bo umetna inteligenca rešila številne probleme. Leta 1967 je Marvin Minsky samozavestno dejal, da bo "v eni generaciji ... problem ustvarjanja 'umetne inteligence' bistveno rešen." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Raziskave obdelave naravnega jezika so cvetele, iskanje je postalo bolj izpopolnjeno in zmogljivo, ter ustvarjen je bil koncept 'mikro-svetov', kjer so bile preproste naloge izvedene z uporabo navodil v preprostem jeziku.
Raziskave naravnega jezikovnega procesiranja so cvetele, iskanje je bilo izpopolnjeno in močnejše, uveden je bil koncept 'mikrosvetov', kjer so bile preproste naloge opravljene z navodili v preprostem jeziku.
---
---
Raziskave so bile dobro financirane s strani vladnih agencij, napredek je bil dosežen na področju računalništva in algoritmov, ter prototipi inteligentnih strojev so bili zgrajeni. Nekateri od teh strojev vključujejo:
Raziskave so bile dobro financirane s strani vladnih agencij, doseženi so bili napredki v računanju in algoritmih ter zgrajeni prototipi inteligentnih strojev. Med temi stroji so:
* [Robot Shakey](https://wikipedia.org/wiki/Shakey_the_robot), ki se je lahko premikal in 'inteligentno' odločal, kako opraviti naloge.
* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), ki je lahko manevriral in sam odločal o izvajanju nalog 'inteligentno'.
* Eliza, zgodnji 'klepetalni robot', je lahko komunicirala z ljudmi in delovala kot primitivni 'terapevt'. Več o Elizi boste izvedeli v lekcijah o obdelavi naravnega jezika.
* Eliza, zgodnji 'chatterbot', je lahko komuniciral z ljudmi in deloval kot primitiven 'terapevt'. O Elizi boste izvedeli več v lekcijah NLP.
* "Svet blokov" je bil primer mikro-sveta, kjer so se bloki lahko zlagali in razvrščali, ter so se izvajali eksperimenti pri učenju strojev za sprejemanje odločitev. Napredki, doseženi z knjižnicami, kot je [SHRDLU](https://wikipedia.org/wiki/SHRDLU), so pomagali pri razvoju obdelave jezika.
* "Blocks world" je bil primer mikrosveta, kjer se lahko kocke zložijo in razvrstijo, ter preizkušali so eksperimente za učenje strojev odločanja. Napredki, ustvarjeni z knjižnicami, kot je [SHRDLU](https://wikipedia.org/wiki/SHRDLU), so pomagali pospešiti obdelavo jezika.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "svet blokov s SHRDLU")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world s SHRDLU")
> 🎥 Kliknite zgornjo sliko za video: Svet blokov s SHRDLU
> 🎥 Kliknite zgornjo sliko za video: Blocks world s SHRDLU
---
---
## 1974 - 1980: "Zima UI"
## 1974 - 1980: "Zima UI"
Do sredine 70. let je postalo jasno, da je bila kompleksnost ustvarjanja 'inteligentnih strojev' podcenjena in da so bile obljube, glede na razpoložljivo računalniško moč, pretirane. Financiranje se je zmanjšalo, zaupanje v področje pa je upadlo. Nekateri problemi, ki so vplivali na zaupanje, vključujejo:
Do sredine 70. let je postalo jasno, da je kompleksnost ustvarjanja 'inteligentnih strojev' podcenjena in da je obljuba glede razpoložljive računalniške moči precenjena. Financiranje se je izsušilo in zaupanje v področje je upadlo. Nekateri dejavniki, ki so vplivali na to so bili:
---
---
- **Omejitve**. Računalniška moč je bila prešibka.
- **Omejitve**. Računalniška moč je bila preveč omejena.
- **Kombinatorna eksplozija**. Število parametrov, ki jih je bilo treba naučiti, je eksponentno naraščalo, brez vzporednega razvoja računalniške moči in zmogljivosti.
- **Kombinatorični eksponentni porast**. Število parametrov, ki jih je bilo treba naučiti, je eksponentno naraščalo, ko so od računalnikov zahtevali več, brez sorazmernega razvoja računske moči in zmogljivosti.
- **Pomanjkanje podatkov**. Pomanjkanje podatkov je oviralo proces testiranja, razvoja in izboljševanja algoritmov.
- **Pomanjkanje podatkov**. Pomanjkanje podatkov je oviralo testiranje, razvoj in izboljševanje algoritmov.
- **Ali postavljamo prava vprašanja?**. Začela so se postavljati vprašanja o samih vprašanjih, ki so jih raziskovalci zastavljali:
- **Ali postavljamo prava vprašanja?**. Tudi postavljena vprašanja so začeli podvomiti. Raziskovalci so naleteli na kritike glede svojih pristopov:
- Turingovi testi so bili postavljeni pod vprašaj, med drugim tudi s teorijo 'kitajske sobe', ki je trdila, da "programiranje digitalnega računalnika lahko ustvari videz razumevanja jezika, vendar ne more ustvariti pravega razumevanja." ([vir](https://plato.stanford.edu/entries/chinese-room/))
- Turingovi testi so bili izpodbijani z različnimi idejami, med drugim s 'teorijo kitajske sobe', ki je trdila, da "programiranje digitalnega računalnika lahko daje vtis, da razume jezik, a ne more resnično razumeti." ([vir](https://plato.stanford.edu/entries/chinese-room/))
- Etika uvajanja umetnih inteligenc, kot je "terapevt" ELIZA, v družbo je bila izzvana.
- Izpostavljene so bile etične dileme uvajanja umetnih inteligenc, kot je "terapevt" ELIZA v družbo.
---
---
Hkrati so se začele oblikovati različne šole misli o UI. Ustanovila se je dihotomija med ["neurejeno" in "urejeno UI"](https://wikipedia.org/wiki/Neats_and_scruffies). _Neurejeni_ laboratoriji so urejali programe, dokler niso dosegli želenih rezultatov. _Urejeni_ laboratoriji so se osredotočali na logiko in formalno reševanje problemov. ELIZA in SHRDLU sta bila znana _neurejena_ sistema. V 80. letih, ko se je pojavilo povpraševanje po reproducibilnosti sistemov strojnega učenja, je _urejen_ pristop postopoma prevladal, saj so njegovi rezultati bolj razložljivi.
Hkrati so se začele oblikovati različne šole razmišljanja v UI. Nastala je dihotomija med ["scruffy" (nereden) in "neat" (urejen) UI](https://wikipedia.org/wiki/Neats_and_scruffies) praksami. _Scruffy_ laboratoriji so ure in ure spreminjali programe, dokler niso dosegli želenih rezultatov. _Neat_ laboratoriji so se "osredotočali na logiko in formalno reševanje problemov." ELIZA in SHRDLU sta bila znana _scruffy_ sistema. V 80. letih, ko je nastala potreba po reproducibilnosti ML sistemov, je _neat_ pristop postopoma prevladal, saj so njegovi rezultati bolj pojasnjivi.
---
---
## 1980: Ekspertni sistemi
## Ekspertski sistemi v 80. letih
Z rastjo področja je postala njegova korist za poslovanje bolj očitna, v 80. letih pa se je razširila uporaba 'ekspertnih sistemov'. "Ekspertni sistemi so bili med prvimi resnično uspešnimi oblikami programske opreme umetne inteligence (UI)." ([vir](https://wikipedia.org/wiki/Expert_system)).
Ko se je področje razvijalo, je bilo vedno bolj jasno, kako koristno je za podjetja, v 80. letih pa je prišlo tudi do razširitve 'ekspertskih sistemov'. "Ekspertski sistemi so bili med prvimi res uspešnimi oblikami programske opreme za umetno inteligenco (UI)." ([vir](https://wikipedia.org/wiki/Expert_system)).
Ta vrsta sistema je pravzaprav _hibridna_, saj delno vključuje pravila, ki določajo poslovne zahteve, in sklepni mehanizem, ki uporablja sistem pravil za sklepanje novih dejstev.
Ta tip sistema je v resnici _hibridni_, delno sestavljen iz pravnega motorja, ki opredeljuje poslovne zahteve, in sklepalnega motorja, ki je temeljil na sistemu pravil za izpeljavo novih dejstev.
To obdobje je prineslo tudi večjo pozornost nevronskim mrežam.
V tem obdobju je tudi začela naraščati pozornost do nevronskih mrež.
---
---
## 1987 - 1993: Ohladitev UI
## 1987 - 1993: UI 'Premor'
Razširitev specializirane strojne opreme za ekspertne sisteme je imela nesrečen učinek, da je postala preveč specializirana. Pojav osebnih računalnikov je prav tako tekmoval s temi velikimi, specializiranimi, centraliziranimi sistemi. Začela se je demokratizacija računalništva, ki je sčasoma tlakovala pot za sodobno eksplozijo velikih podatkov.
Razširjenost specializirane strojne opreme za ekspertske sisteme je privedla do prevelike specializacije. Vzpon osebnih računalnikov je izzival tudi te velike, specializirane, centralizirane sisteme. Pričel se je proces demokratizacije računalništva, ki je pozneje odprl pot za sodoben razcvet velikih podatkov.
---
---
## 1993 - 2011
## 1993 - 2011
To obdobje je prineslo novo ero za strojno učenje in umetno inteligenco, da bi lahko rešila nekatere težave, ki so jih povzročili pomanjkanje podatkov in računalniške moči. Količina podatkov se je začela hitro povečevati in postajati bolj dostopna, tako v dobrem kot slabem, še posebej z uvedbo pametnega telefona okoli leta 2007. Računalniška moč se je eksponentno povečala, algoritmi pa so se razvijali vzporedno. Področje je začelo dosegati zrelost, saj so se svobodomiselni dnevi preteklosti začeli oblikovati v pravo disciplino.
To obdobje je prineslo novo dobo za ML in UI, da se rešijo nekatere težave, ki so jih prej povzročala pomanjkanje podatkov in računalniške moči. Količina podatkov se je začela hitro povečevati in postajala širše dostopna, za dobro ali slabo, predvsem s pojavom pametnih telefonov okoli leta 2007. Računalniška moč je eksponentno naraščala, algoritmi pa so se razvijali z njo. Področje je začelo dozorevati, saj so se dnevi nenehnih eksperimentov iz preteklosti začeli oblikovati v pravo disciplino.
---
---
## Danes
## Danes
Danes strojno učenje in umetna inteligenca vplivata na skoraj vsak del našega življenja. To obdobje zahteva skrbno razumevanje tveganj in možnih učinkov teh algoritmov na človeška življenja. Kot je dejal Brad Smith iz Microsofta: "Informacijska tehnologija odpira vprašanja, ki segajo v samo srčiko temeljnih zaščit človekovih pravic, kot sta zasebnost in svoboda izražanja. Ta vprašanja povečujejo odgovornost tehnoloških podjetij, ki ustvarjajo te izdelke. Po našem mnenju zahtevajo tudi premišljeno vladno regulacijo in razvoj norm glede sprejemljive uporabe" ([vir](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Danes strojno učenje in umetna inteligenca segata skoraj v vsak del naših življenj. Ta doba zahteva previdno razumevanje tveganj in potencialnih učinkov teh algoritmov na človeška življenja. Kot je dejal Brad Smith iz Microsofta, "Informacijska tehnologija odpira vprašanja, ki segajo do bistva temeljnih človekovih pravic, kot sta zasebnost in svoboda izražanja. Ta vprašanja povečujejo odgovornost tehnoloških podjetij, ki ustvarjajo te izdelke. Po našem mnenju to zahteva tudi premišljeno državno regulacijo in razvoj norm glede sprejemljivih uporab." ([vir](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
---
Kaj prinaša prihodnost, ostaja neznano, vendar je pomembno razumeti te računalniške sisteme ter programsko opremo in algoritme, ki jih poganjajo. Upamo, da vam bo ta učni načrt pomagal pridobiti boljše razumevanje, da boste lahko sami presodili.
Še ni znano, kaj prinaša prihodnost, vendar je pomembno razumeti te računalniške sisteme ter programsko opremo in algoritme, ki jih poganjajo. Upamo, da vam bo ta učni program pomagal pridobiti boljše razumevanje, da boste lahko sami sprejeli odločitev.
> 🎥 Kliknite zgornjo sliko za video: Yann LeCun razpravlja o zgodovini globokega učenja v tem predavanju
> 🎥 Kliknite na zgornjo sliko za video: Yann LeCun razpravlja o zgodovini globokega učenja v tej predavanju
---
---
## 🚀Izziv
## 🚀Izziv
Poglobite se v enega od teh zgodovinskih trenutkov in izvedite več o ljudeh, ki stojijo za njimi. Obstajajo fascinantni liki, in nobeno znanstveno odkritje ni bilo ustvarjeno v kulturnem vakuumu. Kaj odkrijete?
Poglobite se v enega od teh zgodovinskih trenutkov in spoznajte več o ljudeh, ki stojijo za njimi. So fascinantni liki, nobeno znanstveno odkritje ni nastalo v kulturnem vakumu. Kaj odkrijete?
## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ml/)
Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda.
**Omejitev odgovornosti**:
Ta dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije je priporočljiv strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.
V tem učnem programu boste začeli odkrivati, kako strojno učenje vpliva na naše vsakdanje življenje. Že zdaj so sistemi in modeli vključeni v dnevna odločanja, kot so zdravstvene diagnoze, odobritve posojil ali odkrivanje prevar. Zato je pomembno, da ti modeli dobro delujejo in zagotavljajo rezultate, ki so zaupanja vredni. Tako kot katera koli programska oprema bodo tudi sistemi umetne inteligence kdaj zgrešili pričakovanja ali imeli nezaželen izid. Zato je ključno razumeti in pojasniti vedenje AI modela.
V tem učnem načrtu boste začeli odkrivati, kako strojno učenje lahko vpliva in vpliva na naše vsakdanje življenje. Že zdaj so sistemi in modeli vključeni v vsakodnevne odločitvene naloge, kot so zdravstvene diagnoze, odobritev posojil ali odkrivanje goljufij. Zato je pomembno, da ti modeli dobro delujejo in zagotavljajo rezultate, ki so zaupanja vredni. Tako kot vsaka programska aplikacija, tudi sistemi umetne inteligence včasih ne dosežejo pričakovanj ali imajo nezaželen izid. Zato je ključnega pomena, da lahko razumemo in pojasnimo obnašanje modela umetne inteligence.
Predstavljajte si, kaj se lahko zgodi, če podatki, ki jih uporabljate za izdelavo teh modelov, manjkajo nekatere demografske skupine, kot so rasa, spol, politična usmeritev, vera, ali nesorazmerno predstavljajo te demografske skupine. Kaj pa, če se izhod modela interpretira v korist določene demografske skupine? Kakšne so posledice za aplikacijo? Poleg tega, kaj se zgodi, ko ima model škodljiv izid in škodi ljudem? Kdo je odgovoren za vedenje AI sistema? To so nekatere izmed vprašanj, ki jih bomo raziskovali v tem učnem programu.
Predstavljajte si, kaj se lahko zgodi, ko podatki, ki jih uporabljate za izdelavo teh modelov, nimajo določenih demografskih skupin, kot so rasa, spol, politični nazor, vera, ali pa nesorazmerno predstavljajo takšne demografije. Kaj pa, ko se rezultat modela interpretira tako, da favorizira določeno demografsko skupino? Kakšne so posledice za aplikacijo? Poleg tega, kaj se zgodi, ko ima model škodljiv izid in škoduje ljudem? Kdo je odgovoren za obnašanje sistema umetne inteligence? To so nekatera vprašanja, ki jih bomo raziskovali v tem učnem načrtu.
V tej lekciji boste:
V tej lekciji boste:
- Povečali zavedanje o pomenu pravičnosti v strojnem učenju in s tem povezanih škodah.
- Povečali svojo ozaveščenost o pomenu pravičnosti v strojnem učenju in škodah, povezanih s pravičnostjo.
- Spoznali prakso raziskovanja izstopajočih primerov in nenavadnih scenarijev za zagotavljanje zanesljivosti in varnosti
- Spoznali prakso raziskovanja odstopanj in nenavadnih scenarijev za zagotavljanje zanesljivosti in varnosti.
- Pridobili razumevanje potrebe po opolnomočenju vseh z oblikovanjem vključujočih sistemov
- Razumeli potrebo po opolnomočenju vseh z oblikovanjem vključujočih sistemov.
- Raziskali, kako nujno je varovanje zasebnosti in varnosti podatkov ter ljudi
- Raziskali, kako pomembno je zaščititi zasebnost in varnost podatkov ter ljudi.
- Videli, zakaj je pomemben pristop skozi prozorno škatlo za pojasnjevanje vedenja AI modelov
- Spoznali pomen pristopa "steklena škatla" za razlago obnašanja modelov umetne inteligence.
- Biti pozorni na to, kako je odgovornost ključna za gradnjo zaupanja v AI sisteme
- Bili pozorni na to, kako je odgovornost ključna za gradnjo zaupanja v sisteme umetne inteligence.
## Predpogoj
## Predpogoji
Za predpogoj, prosimo opravi "Principi odgovorne umetne inteligence" učno pot in si oglejte spodnji video na to temo:
Kot predpogoj vas prosimo, da opravite učni tečaj "Principi odgovorne umetne inteligence" in ogledate spodnji video na to temo:
Izvedite več o odgovorni umetni inteligenci z učenjem na tej [učni poti](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Več o odgovorni umetni inteligenci izvedite s sledenjem temu [učnemu tečaju](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Microsoftov pristop k odgovorni umetni inteligenci")
[](https://youtu.be/dnC8-uUZXSc "Microsoftov pristop k odgovorni umetni inteligenci")
> 🎥 Kliknite zgornjo sliko za video: Microsoftov pristop k odgovorni umetni inteligenci
> 🎥 Kliknite na zgornjo sliko za video: Microsoftov pristop k odgovorni umetni inteligenci
## Pravičnost
## Pravičnost
Sistemi umetne inteligence naj obravnavajo vse pošteno in naj se izogibajo različnemu vplivu na podobne skupine ljudi. Na primer, ko sistemi umetne inteligence nudijo navodila glede zdravljenja, vlog za posojila ali zaposlovanja, bi morali dati iste priporočila vsem z podobnimi simptomi, finančnimi pogoji ali strokovnimi kvalifikacijami. Vsak izmed nas kot človek nosi dedne predsodke, ki vplivajo na naše odločitve in dejanja. Ti predsodki se lahko pokažejo v podatkih, ki jih uporabljamo za usposabljanje AI sistemov. Takšna manipulacija se lahko zgodi tudi nehote. Pogosto je težko zavestno vedeti, kdaj vnašate pristranskost v podatke.
Sistemi umetne inteligence bi morali vse obravnavati pošteno ter se izogibati različnemu obravnavanju podobnih skupin ljudi. Na primer, ko sistemi umetne inteligence nudijo nasvete o medicinskem zdravljenju, vlogah za posojila ali zaposlitvi, bi morali vsem z enakimi simptomi, finančnimi pogoji ali strokovnimi kvalifikacijami dati iste priporočila. Vsak izmed nas, kot človek, nosi v sebi podedovane predsodke, ki vplivajo na naše odločitve in dejanja. Ti predsodki so lahko očitni v podatkih, ki jih uporabljamo za usposabljanje sistemov umetne inteligence. Takšna manipulacija se včasih zgodi nenamerno. Pogosto je težko zavestno prepoznati, kdaj uvajate pristranskost v podatke.
**"Nepravičnost"** vključuje negativne učinke ali "škode" za določeno skupino ljudi, kot so opredeljene glede na raso, spol, starost ali invalidnost. Glavne škode, povezane s pravičnostjo, lahko razvrstimo kot:
**"Nepravičnost"** zajema negativne vplive ali "škode" za skupino ljudi, kot so tiste, opredeljene po rasi, spolu, starosti ali statusu invalidnosti. Glavne škode, povezane s pravičnostjo, lahko razvrstimo kot:
- **Dodeljevanje**, če je na primer spol ali narodnost v prid eni skupini pred drugo.
- **Dodelitev**, če je na primer spol ali etnična skupina favorizirana pred drugo.
- **Kakovost storitve**. Če usposobite model za en poseben scenarij, vendar je realnost veliko bolj kompleksna, vodi do slabo delujoče storitve. Na primer, dozirnik mila za roke, ki ni mogel zaznati ljudi s temnejšo kožo. [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Kakovost storitve**. Če usposabljate podatke za en določen scenarij, a je realnost veliko bolj zapletena, to vodi do slabo delujoče storitve. Na primer, dozirnik za milo, ki očitno ne zazna ljudi s temno poltjo. [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Ocenjevanje na nepošten način**. Nepravično kritizirati in označiti nekaj ali nekoga. Na primer, tehnologija za označevanje slik je žal neuspešno označila slike temnopoltih ljudi kot gorile.
- **Opljuvanje**. Nepravično kritiziranje in označevanje nečesa ali nekoga. Na primer, tehnologija označevanja slik je slovesno napačno označila ljudi s temno poltjo kot gorile.
- **Prekomerna ali prenizka zastopanost**. Ideja je, da določena skupina ni prisotna na določenem poklicnem področju, in kakršnakoli storitev ali funkcija, ki to nadaljuje, povzroča škodo.
- **Prekomerna ali premalo zastopanost**. Gre za idejo, da določene skupine ni mogoče videti v določenem poklicu, in vsaka storitev ali funkcija, ki to še naprej poudarja, prispeva k škodi.
- **Stereotipiziranje**. Povezovanje določene skupine s predhodno določenimi lastnostmi. Na primer, sistem za prevajanje med angleščino in turščino lahko zaradi stereotipnih povezav z besedami glede spola povzroča netočnosti.
- **Stereotipizacija**. Povezovanje določene skupine z vnaprej določenimi lastnostmi. Na primer, sistem za prevajanje med angleščino in turščino ima lahko netočnosti zaradi besed s stereotipnimi povezavami s spolom.
> prevod v turščino
> prevod v turščino
@ -48,108 +48,107 @@ Sistemi umetne inteligence naj obravnavajo vse pošteno in naj se izogibajo razl
> prevod nazaj v angleščino
> prevod nazaj v angleščino
Pri načrtovanju in testiranju AI sistemov moramo zagotoviti, da je umetna inteligenca pravična in ni programirana za pristranske ali diskriminatorne odločitve, katerih sprejemanje je ljudem prav tako prepovedano. Zagotavljanje pravičnosti v umetni inteligenci in strojnem učenju ostaja kompleksen sociotehnični izziv.
Pri oblikovanju in testiranju sistemov umetne inteligence moramo zagotoviti, da je AI pravična in da ni programirana za sprejemanje pristranskih ali diskriminatornih odločitev, ki jih tudi ljudem ni dovoljeno sprejemati. Zagotavljanje pravičnosti v umetni inteligenci in strojnem učenju ostaja kompleksen sociotehnični izziv.
### Zanesljivost in varnost
### Zanesljivost in varnost
Za gradnjo zaupanja morajo biti AI sistemi zanesljivi, varni in dosledni v normalnih in nepričakovanih razmerah. Pomembno je vedeti, kako se bodo AI sistemi obnašali v različnih situacijah, posebej ko so izstopajoči primeri. Pri izdelavi AI rešitev je treba nameniti veliko pozornosti obravnavi širokega spektra okoliščin, s katerimi se bodo AI rešitve srečale. Na primer, avtonomni avtomobil mora varnost ljudi postaviti na prvo mesto. Posledično mora AI, ki poganja avto, upoštevati vse možne scenarije, s katerimi se lahko avto sreča, kot so noč, nevihte ali snežni viharji, otroci, ki prečkajo cesto, hišni ljubljenčki, cestna gradbišča itd. Kako dobro lahko AI sistem zanesljivo in varno obvladuje pester nabor pogojev, odraža stopnjo predvidevanja podatkovnega znanstvenika ali razvijalca AI med načrtovanjem ali testiranjem sistema.
Za gradnjo zaupanja morajo biti sistemi umetne inteligence zanesljivi, varni in dosledni pod običajnimi in nepričakovanimi pogoji. Pomembno je vedeti, kako se bodo sistemi umetne inteligence obnašali v različnih situacijah, še posebej, ko so to odstopanja. Pri gradnji rešitev umetne inteligence je treba posvetiti veliko pozornosti ravnanju z različnimi okoliščinami, s katerimi se lahko rešitve srečajo. Na primer, avtonomno vozilo mora postaviti varnost ljudi na prvo mesto. Zato mora AI, ki poganja avto, upoštevati vse možne scenarije, s katerimi se lahko sreča, kot so noč, nevihtno vreme ali snežne nevihte, otroci, ki tečejo čez cesto, hišni ljubljenčki, cestišča v gradnji itd. Kako dobro lahko AI sistem zanesljivo in varno obvladuje širok razpon pogojev, odraža raven predvidevanja, ki ga je podatkovni znanstvenik oziroma razvijalec AI upošteval med oblikovanjem ali testiranjem sistema.
> [🎥 Kliknite tukaj za video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Kliknite tukaj za video: Zanesljivost in varnost v AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Vključujočnost
### Vključenost
AI sistemi naj bodo zasnovani tako, da vključujejo in opolnomočajo vse. Pri načrtovanju in uvajanju AI sistemov podatkovni znanstveniki in razvijalci AI prepoznajo in odpravijo morebitne ovire v sistemu, ki bi lahko nehote izključile ljudi. Na primer, po svetu je 1 milijarda oseb z invalidnostmi. Z razvojem AI lahko dostopajo do širokega spektra informacij in priložnosti lažje v svojem vsakdanjem življenju. Z odpravljanjem ovir se ustvarjajo priložnosti za inovacije in razvoj AI izdelkov z boljšimi izkušnjami, ki koristijo vsem.
Sistemi umetne inteligence bi morali biti zasnovani tako, da vključujejo in opolnomočijo vse ljudi. Pri oblikovanju in uvedbi sistemov umetne inteligence podatkovni znanstveniki in razvijalci AI prepoznajo in odpravijo morebitne ovire, ki bi lahko nehote izključile ljudi. Na primer, po svetu je 1 milijarda ljudi z invalidnostjo. S pomočjo napredka AI lahko ti ljudje lažje dostopajo do različnih informacij in priložnosti v svojem vsakdanjem življenju. Odpravljač ovir ustvarja priložnosti za inovacije in razvoj izdelkov umetne inteligence z boljšimi izkušnjami, ki koristijo vsem.
> [🎥 Kliknite tukaj za video: vključujočnost v AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Kliknite tukaj za video: Vključenost v AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Varnost in zasebnost
### Varnost in zasebnost
AI sistemi morajo biti varni in spoštovati zasebnost ljudi. Ljudje manj zaupajo sistemom, ki ogrožajo njihovo zasebnost, podatke ali življenje. Pri usposabljanju modelov strojnega učenja se zanašamo na podatke za dosego najboljših rezultatov. Pri tem je treba upoštevati izvor podatkov in njihovo integriteto. Na primer, ali so bili podatki posredovani s strani uporabnikov ali so bili javno dostopni? Nadalje, pri delu s podatki je ključno razviti AI sisteme, ki lahko varujejo zaupne informacije in odbijajo napade. Ker AI postaja vse bolj razširjena, je varovanje zasebnosti in varnost pomembnih osebnih in poslovnih informacij vse bolj kritično in kompleksno. Težave z zasebnostjo in varnostjo podatkov zahtevajo še posebej veliko pozornosti pri AI, ker je dostop do podatkov ključnega pomena za točne in informirane napovedi ter odločitve o ljudeh.
Sistemi umetne inteligence bi morali biti varni in spoštovati zasebnost ljudi. Ljudje manj zaupajo sistemom, ki ogrožajo njihovo zasebnost, informacije ali življenje. Pri usposabljanju modelov strojnega učenja se zanašamo na podatke za dosego najboljših rezultatov. Zato je treba upoštevati izvor podatkov in njihovo celovitost. Na primer, ali so podatke posredovali uporabniki ali so bili javno dostopni? Poleg tega je pri delu s podatki ključno razviti sisteme AI, ki lahko zaščitijo zaupne informacije in se uprejo napadom. Ker se AI vse bolj širi, je zaščita zasebnosti in varovanje pomembnih osebnih in poslovnih informacij vse bolj kritična in zapletena. Vprašanja zasebnosti in varnosti podatkov zahtevajo še posebej tesno pozornost pri AI, saj je dostop do podatkov bistven za to, da sistemi AI lahko naredijo natančna in informirana predvidevanja in odločitve o ljudeh.
> [🎥 Kliknite tukaj za video: varnost v AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Kliknite tukaj za video: Varnost v AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Kot industrija smo dosegli pomemben napredek na področju zasebnosti in varnosti, ki ga je močno spodbudila zakonodaja, kot je GDPR (Splošna uredba o varstvu podatkov).
- Kot industrija smo dosegli pomemben napredek na področju zasebnosti in varnosti, na kar so močno vplivale zakonodaje, kot je GDPR (Splošna uredba o varstvu podatkov).
- Vendar pa moramo pri AI sistemih priznati napetost med potrebo po več osebnih podatkih za bolj osebne in učinkovite sisteme ter zasebnostjo.
- Kljub temu pa moramo pri sistemih AI priznati napetost med potrebo po več osebnih podatkih za bolj osebne in učinkovite sisteme – in zasebnostjo.
- Tako kot pri vzpostavitvi povezanih računalnikov z internetom, tudi pri AI opažamo velik porast varnostnih vprašanj.
- Tako kot ob začetku povezanih računalnikov z internetom, tudi zdaj opažamo velik porast varnostnih vprašanj, povezanih z AI.
- Hkrati smo videli, da se AI uporablja za izboljšanje varnosti. Na primer, večina sodobnih protivirusnih skenerjev danes temelji na heuristikah AI.
- Hkrati opažamo, da se AI uporablja za izboljšanje varnosti. Na primer, večina sodobnih protivirusnih skenerjev danes uporablja AI heuristike.
- Potrebno je zagotoviti, da naši procesi podatkovnih znanosti harmonično vključujejo najnovejše prakse zasebnosti in varnosti.
- Potrebno je zagotoviti, da se naši postopki podatkovne znanosti harmonično ujemajo z najnovejšimi praksami zasebnosti in varnosti.
### Preglednost
### Preglednost
AI sistemi morajo biti razumljivi. Ključni del preglednosti je pojasnjevanje vedenja AI sistemov in njihovih komponent. Izboljšanje razumevanja AI sistemov zahteva, da zainteresirane strani razumejo, kako in zakaj delujejo, da lahko prepoznajo morebitne težave z uspešnostjo, varnostjo in zasebnostjo, predsodke, izključujoče prakse ali nenamerne izide. Prav tako verjamemo, da bi morali uporabniki AI sistemov biti pošteni in odprti glede tega, kdaj, zakaj in kako jih uporabljajo, kot tudi o omejitvah sistemov, ki jih uporabljajo. Na primer, če banka uporablja AI sistem za podporo svojim odločitvam o posojilih potrošnikom, je pomembno pregledati izide in razumeti, kateri podatki vplivajo na priporočila sistema. Vlade začinjajo regulirati AI v različnih industrijah, zato morajo podatkovni znanstveniki in organizacije pojasniti, ali AI sistem izpolnjuje regulativne zahteve, zlasti, ko pride do nezaželenega izida.
Sistemi umetne inteligence bi morali biti razumljivi. Ključni del preglednosti je pojasnitev obnašanja sistemov umetne inteligence in njihovih komponent. Izboljšanje razumevanja sistemov AI zahteva, da deležniki razumejo, kako in zakaj ti delujejo, da lahko prepoznajo morebitne težave z zmogljivostjo, varnostjo in zasebnostjo, pristranskostmi, praksami izključevanja ali nezaželenimi izidi. Prav tako menimo, da bi morali tisti, ki uporabljajo AI sisteme, biti iskreni in odprti glede tega, kdaj, zakaj in kako jih odločijo uporabiti. Prav tako glede omejitev sistemov, ki jih uporabljajo. Na primer, če banka uporablja sistem AI za podporo pri odločitvah o posojilih potrošnikom, je pomembno pregledati rezultate in razumeti, kateri podatki vplivajo na priporočila sistema. Vlade začenjajo regulirati AI v različnih panogah, zato morajo podatkovni znanstveniki in organizacije pojasniti, ali AI sistem ustreza zahtevam predpisov, zlasti kadar pride do nezaželenega izida.
> [🎥 Kliknite tukaj za video: preglednost v AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Kliknite tukaj za video: Preglednost v AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Ker so AI sistemi zelo kompleksni, je težko razumeti, kako delujejo in razlagati rezultate.
- Ker so sistemi AI zelo kompleksni, je težko razumeti, kako delujejo in interpretirati rezultate.
- Ta pomanjkljivo razumevanje vpliva na način upravljanja, operativnosti in dokumentacije teh sistemov.
- Ta pomanjkanje razumevanja vpliva na način upravljanja, operativnosti in dokumentiranja teh sistemov.
- Še pomembneje pa to vpliva na odločitve, sprejete na podlagi rezultatov, ki jih ti sistemi proizvajajo.
- Še pomembneje pa to pomanjkanje razumevanja vpliva na odločitve, sprejete na podlagi rezultatov, ki jih ti sistemi proizvajajo.
### Odgovornost
### Odgovornost
Osebe, ki načrtujejo in uvajajo AI sisteme, morajo biti odgovorne za delovanje svojih sistemov. Potreba po odgovornosti je še posebej pomembna pri občutljivih tehnologijah, kot je prepoznavanje obrazov. Nedavno je naraslo povpraševanje po tehnologiji prepoznavanja obrazov, zlasti pri organih pregona, ki vidijo potencial tehnologije za iskanje pogrešanih otrok. Vendar pa bi te tehnologije lahko vlade potencialno uporabile za ogrožanje temeljnih svoboščin državljanov, na primer omogočanje stalnega nadzora določenih posameznikov. Zato morajo podatkovni znanstveniki in organizacije prevzeti odgovornost za vpliv svojega AI sistema na posameznike ali družbo.
Ljudje, ki oblikujejo in uvajajo sisteme umetne inteligence, morajo biti odgovorni za način delovanja svojih sistemov. Potreba po odgovornosti je še posebej pomembna pri občutljivih tehnologijah, kot je prepoznavanje obrazov. V zadnjem času je vse več povpraševanja po tehnologiji prepoznavanja obrazov, zlasti s strani organov pregona, ki vidijo potencial tehnologije za iskanje pogrešanih otrok. Vendar pa bi te tehnologije lahko potencialno uporabila tudi vlada, da bi ogrozila temeljne svoboščine državljanov, na primer z omogočanjem stalnega nadzora določenih posameznikov. Zato morajo podatkovni znanstveniki in organizacije prevzeti odgovornost za vpliv svojega sistema AI na posameznike ali družbo.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoftov pristop k odgovorni umetni inteligenci")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoftov pristop k odgovorni umetni inteligenci")
> 🎥 Kliknite zgornjo sliko za video: Opozorila pred množičnim nadzorom s prepoznavanjem obrazov
> 🎥 Kliknite na zgornjo sliko za video: Opozorila o množičnem nadzoru prek prepoznavanja obrazov
Na koncu je eno največjih vprašanj za našo generacijo, kot prvo generacijo, ki prinaša AI v družbo, kako zagotoviti, da bodo računalniki ostali odgovorni ljudem in kako zagotoviti, da bodo ljudje, ki računalnike načrtujejo, odgovorni do vseh drugih.
Na koncu je eno največjih vprašanj za našo generacijo, kot prvo generacijo, ki uvaja AI v družbo, kako zagotoviti, da bodo računalniki ostali odgovorni ljudem in kako zagotoviti, da bodo ljudje, ki oblikujejo računalnike, ostali odgovorni vsem ostalim.
## Ocena vpliva
## Ocena vpliva
Pred usposabljanjem modela strojnega učenja je pomembno opraviti oceno vpliva, da se razume namen AI sistema; kakšna je predvidena uporaba; kje bo nameščen; in kdo bo interagiralo s sistemom. To pomaga ocenjevalcem ali testnim osebam pri ocenjevanju sistema vedeti, katere dejavnike morajo upoštevati pri prepoznavanju morebitnih tveganj in pričakovanih posledic.
Pred usposabljanjem modela strojnega učenja je pomembno izvesti oceno vpliva, da se razume namen sistema AI; kakšna je predvidena uporaba; kje bo sistem uveden; in kdo bo sistem uporabljal. To je koristno za pregledovalca(e) ali testirance, ki ocenjujejo sistem, da vedo, katere dejavnike upoštevati pri prepoznavanju morebitnih tveganj in pričakovanih posledic.
Spodaj so navedena področja osredotočenosti pri izvajanju ocene vpliva:
Pri izvajanju ocene vpliva so naslednja področja osredotočenosti:
* **Neželeni vpliv na posameznike**. Biti pozoren na kakršne koli omejitve, zahteve, neodobrene uporabe ali znane omejitve, ki ovirajo delovanje sistema, je ključno za zagotovitev, da sistem ni uporabljen na način, ki bi lahko škodoval posameznikom.
* **Neprijeten vpliv na posameznike**. Pomembno je biti seznanjen z vsemi omejitvami ali zahtevami, neodobreno uporabo ali znanimi omejitvami, ki slabijo delovanje sistema, da se zagotovi, da sistem ne bo uporabljen na način, ki lahko škoduje posameznikom.
* **Zahteve glede podatkov**. Razumevanje, kako in kje bo sistem uporabljal podatke, omogoča ocenjevalcem raziskovanje morebitnih zahtev glede podatkov, ki jih je treba upoštevati (npr. GDPR ali HIPAA predpisi o podatkih). Poleg tega je treba oceniti, ali je vir ali količina podatkov zadostna za usposabljanje.
* **Zahteve po podatkih**. Razumevanje, kako in kje bo sistem uporabljal podatke, omogoča pregledovalcem raziskati vse zahteve glede podatkov, ki jih je treba upoštevati (npr. predpisi GDPR ali HIPAA). Poleg tega preučite, ali je vir ali količina podatkov pomembna za usposabljanje.
* **Povzetek vpliva**. Zberite seznam morebitnih škod, ki bi lahko nastale zaradi uporabe sistema. V celotnem življenjskem ciklu ML preglejte, ali so ugotovljene težave ublažene ali rešene.
* **Povzetek vpliva**. Zberite seznam morebitnih škod, ki bi lahko nastale zaradi uporabe sistema. Med življenjskim ciklom strojnoučenja preverjajte, ali so bile identificirane težave omiljene ali rešene.
* **Uporabni cilji** za vsako od šestih osnovnih načel. Ocenite, ali so cilji vsakega načela doseženi in ali obstajajo vrzeli.
* **Uveljavljivi cilji** za vsak od šestih osnovnih načel. Ocenite, ali so cilji vsakega od načel izpolnjeni in ali obstajajo kakšne vrzeli.
## Odpravljanje napak z odgovorno AI
## Odpravljanje napak z odgovorno umetno inteligenco
Podobno kot odpravljanje napak v programski aplikaciji je odpravljanje napak v AI sistemu potreben proces prepoznavanja in reševanja težav v sistemu. Obstaja veliko dejavnikov, ki lahko vplivajo na to, da model ne deluje tako, kot se pričakuje ali odgovorno. Večina tradicionalnih meritev uspešnosti modela so kvantitativni seštevki uspešnosti modela, ki niso dovolj za analizo, kako model krši načela odgovorne AI. Poleg tega je model strojnega učenja črna skrinjica, zaradi česar je težko razumeti, kaj povzroča njegov izid ali dati pojasnilo, ko naredi napako. Kasneje v tem tečaju bomo spoznali, kako uporabiti nadzorno ploščo Responsible AI za pomoč pri odpravljanju napak AI sistemov. Nadzorna plošča zagotavlja celovito orodje za podatkovne znanstvenike in razvijalce AI za izvedbo:
Podobno kot pri odpravljanju napak v programski aplikaciji je odpravljanje napak v sistemu AI potrebno za prepoznavanje in reševanje težav v sistemu. Veliko dejavnikov lahko vpliva na to, da model ne deluje kot pričakovano ali odgovorno. Večina tradicionalnih meril zmogljivosti modela so kvantitativne agregacije zmogljivosti modela, ki niso zadostne za analizo, kako model krši principe odgovorne umetne inteligence. Poleg tega je model strojnega učenja črna škatla, kar otežuje razumevanje, kaj poganja njegov rezultat ali pojasnitev, ko naredi napako. Kasneje v tem tečaju se bomo naučili uporabljati nadzorno ploščo odgovorne umetne inteligence za pomoč pri odpravljanju napak v sistemih AI. Nadzorna plošča nudi celovito orodje za podatkovne znanstvenike in razvijalce AI za izvajanje:
* **Analiza napak**. Za prepoznavanje porazdelitve napak modela, ki lahko vplivajo na pravičnost ali zanesljivost sistema.
* **Analize napak**. Prepoznavanje porazdelitve napak modela, ki lahko vplivajo na pravičnost ali zanesljivost sistema.
* **Pregled modela**. Za odkrivanje, kje so razlike v uspešnosti modela med različnimi podatkovnimi skupinami.
* **Pregleda modela**. Odkrivanje, kje so razlike v zmogljivosti modela med podatkovnimi skupinami.
* **Analiza podatkov**. Za razumevanje porazdelitve podatkov in prepoznavanje morebitnih pristranskosti, ki bi lahko povzročile težave z pravičnostjo, vključevanjem in zanesljivostjo.
* **Analize podatkov**. Razumevanje porazdelitve podatkov in prepoznavanje morebitne pristranskosti, ki bi lahko vodila do težav s pravičnostjo, vključenostjo in zanesljivostjo.
* **Razložljivost modela**. Za razumevanje, kaj vpliva ali določa napovedi modela. To pomaga pri pojasnjevanju vedenja modela, kar je pomembno za preglednost in odgovornost.
* **Razložljivosti modela**. Razumevanje, kaj vpliva ali kaže na napovedi modela. To pomaga pri pojasnjevanju obnašanja modela, kar je pomembno za preglednost in odgovornost.
## 🚀 Izziv
## 🚀 Izziv
Da bi preprečili uvajanje škod v prvi vrsti, moramo:
Da bi preprečili uvajanje škod že na začetku, bi morali:
- imeti raznolikost ozadij in pogledov med ljudmi, ki delajo na sistemih
- imeti raznolikost ozadij in pogledov med ljudmi, ki delajo na sistemih
- vlagati v podatkovne nize, ki odražajo raznolikost naše družbe
- vlagati v podatkovne zbirke, ki odražajo raznolikost naše družbe
- razvijati boljše metode skozi celoten življenjski cikel strojnega učenja za odkrivanje in odpravljanje odgovorne AI, ko se pojavi
- razvijati boljše metode skozi življenjski cikel strojnega učenja za zaznavanje in popravilo neodgovorne umetne inteligence, ko se pojavi
Premislite o resničnih situacijah, kjer je nezanesljivost modela očitna pri gradnji in uporabi modela. Kaj še bi morali upoštevati?
Razmislite o resničnih življenjskih primerih, kjer je nezaupanja vrednost modela očitna pri gradnji in uporabi modela. Kaj še bi morali upoštevati?
V tej lekciji ste se naučili nekaj osnovnih pojmov o pravičnosti in nepravičnosti v strojnem učenju.
V tej lekciji ste se naučili nekaj osnovnih pojmov pravičnosti in nepravičnosti v strojni inteligenci.
Oglejte si ta delavnico za poglobljeno razumevanje tem:
Oglejte si delavnico za poglobljeno razumevanje tem:
- V prizadevanju za odgovorno AI: Prinašanje načel v prakso avtorjev Besmira Nushi, Mehrnoosh Sameki in Amit Sharma
- V prizadevanju za odgovorno umetno inteligenco: Prinašanje principov v prakso, avtorji Besmira Nushi, Mehrnoosh Sameki in Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Open-source okvir za izgradnjo odgovorne AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Okvir odprte kode za gradnjo odgovorne umetne inteligence")
> 🎥 Kliknite zgornjo sliko za video: RAI Toolbox: Open-source okvir za izgradnjo odgovorne AI avtorjev Besmira Nushi, Mehrnoosh Sameki in Amit Sharma
> 🎥 Kliknite zgornjo sliko za video: RAI Toolbox: Okvir odprte kode za gradnjo odgovorne umetne inteligence avtorjev Besmira Nushi, Mehrnoosh Sameki in Amit Sharma
Prav tako preberite:
Prav tako preberite:
- Microsoftov center virov RAI: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoftov center virov za odgovorno umetno inteligenco: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoftova raziskovalna skupina FATE: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Microsoftova raziskovalna skupina FATE: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
Orodjarna za odgovorno umetno inteligenco:
- [Responsible AI Toolbox GitHub repozitorij](https://github.com/microsoft/responsible-ai-toolbox)
- [Repozitorij orodjarne Responsible AI na GitHub](https://github.com/microsoft/responsible-ai-toolbox)
Preberite o orodjih Azure Machine Learning za zagotavljanje pravičnosti:
Preberite o orodjih Azure Machine Learning za zagotavljanje pravičnosti:
@ -157,7 +156,7 @@ Preberite o orodjih Azure Machine Learning za zagotavljanje pravičnosti:
> ### [Ta lekcija je na voljo tudi v R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Ta lekcija je na voljo tudi v jeziku R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Uvod
## Uvod
V teh štirih lekcijah boste odkrili, kako zgraditi regresijske modele. Kmalu bomo govorili, čemu so ti modeli namenjeni. A preden karkoli naredite, se prepričajte, da imate postavljena prava orodja za začetek procesa!
V teh štirih lekcijah boste odkrili, kako sestaviti regresijske modele. Kmalu bomo razpravljali, za kaj so ti namenjeni. A preden karkoli storite, se prepričajte, da imate pravilna orodja pripravljena za začetek procesa!
V tej lekciji se boste naučili:
V tej lekciji se boste naučili:
- Kako konfigurirati računalnik za lokalne naloge strojnega učenja.
- Konfigurirati svoj računalnik za lokalne naloge strojnega učenja.
- Kako delati z Jupyter zvezki (notebooks).
- Delati z Jupyter beležnicami.
- Kako uporabiti Scikit-learn, vključno z namestitvijo.
- Uporabljati Scikit-learn, vključno z namestitvijo.
- Raziščete linearno regresijo z vajo na praktičnem primeru.
- Raziskovati linearno regresijo s praktično vajo.
## Namestitve in konfiguracije
## Namestitve in konfiguracije
[](https://youtu.be/-DfeD2k2Kj0 "ML za začetnike - Nastavite svoja orodja za gradnjo modelov strojnega učenja")
[](https://youtu.be/-DfeD2k2Kj0 "ML za začetnike - Pripravite orodja za gradnjo modelov strojnega učenja")
> 🎥 Kliknite zgornjo sliko za kratek video o nastavitvi računalnika za ML.
> 🎥 Kliknite zgornjo sliko za kratki video o konfiguriranju računalnika za ML.
1. **Namestite Python**. Poskrbite, da imate [Python](https://www.python.org/downloads/) nameščen na računalniku. Python boste uporabljali za številne naloge na področju podatkovne znanosti in strojnega učenja. Večina računalniških sistemov že vsebuje namestitev Pythona. Na voljo so tudi koristni [Python Coding Paketi](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), ki nekaterim uporabnikom olajšajo nastavitev.
1. **Namestite Python**. Prepričajte se, da imate na računalniku nameščen [Python](https://www.python.org/downloads/). Za mnoge naloge podatkovne znanosti in strojnega učenja boste uporabljali Python. Večina računalniških sistemov že vključuje namestitev Pythona. Na voljo so tudi koristni [Python Coding Paketi](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), ki olajšajo nastavitev nekaterim uporabnikom.
Nekatere uporabe Pythona zahtevajo eno različico programske opreme, druge pa drugo. Iz tega razloga je koristno delati znotraj [virtualnega okolja](https://docs.python.org/3/library/venv.html).
Nekateri načini uporabe Pythona pa zahtevajo eno verzijo programske opreme, medtem ko drugi drugo. Zato je koristno delati v [virtualnem okolju](https://docs.python.org/3/library/venv.html).
2. **Namestite Visual Studio Code**. Prepričajte se, da imate Visual Studio Code nameščen na računalniku. Sledite tem navodilom za [namestitev Visual Studio Code](https://code.visualstudio.com/) za osnovno namestitev. Python boste v tem tečaju uporabljali v Visual Studio Code, zato je koristno, da osvežite znanje o tem, kako [konfigurirati Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) za razvoj v Pythonu.
2. **Namestite Visual Studio Code**. Prepričajte se, da imate nameščen Visual Studio Code. Sledite tem navodilom za [namestitev Visual Studio Code](https://code.visualstudio.com/). V tem tečaju boste uporabljali Python v Visual Studio Code, zato boste morda želeli osvežiti znanje, kako [konfigurirati Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) za Python razvoj.
> Postanite udobni z uporabo Pythona tako, da preletite to zbirko [učnih modulov](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Seveda se sprijaznite s Pythonom tako, da preletite to zbirko [Learn modulov](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
>
> [](https://youtu.be/yyQM70vi7V8 "Nastavitev Pythona z Visual Studio Code")
> [](https://youtu.be/yyQM70vi7V8 "Namestite Python z Visual Studio Code")
>
>
> 🎥 Kliknite zgornjo sliko za video: uporaba Pythona znotraj VS Code.
> 🎥 Kliknite zgornjo sliko za video: uporaba Pythona znotraj VS Code.
3. **Namestite Scikit-learn**, tako da sledite [tem navodilom](https://scikit-learn.org/stable/install.html). Ker morate uporabljati Python 3, je priporočljivo uporabiti virtualno okolje. Če nameščate to knjižnico na M1 Mac, so na zgoraj povezani strani posebna navodila.
3. **Namestite Scikit-learn**, tako, da sledite [tem navodilom](https://scikit-learn.org/stable/install.html). Ker morate zagotoviti, da uporabljate Python 3, se priporoča uporaba virtualnega okolja. Če nameščate to knjižnico na M1 Mac, so na zgornji strani posebna navodila.
1. **Namestite Jupyter Notebook**. Potrebno bo [namestiti Jupyter paket](https://pypi.org/project/jupyter/).
## Vaše razvojno okolje za ML
## Vaše avtorsko okolje za ML
Za razvijanje vaše Python kode in ustvarjanje modelov strojnega učenja boste uporabljali **zvezke**. Ta tip datotek je pogosto orodje podatkovnih znanstvenikov in jih lahko prepoznate po priponi `.ipynb`.
Za razvoj vaše Python kode in ustvarjanje modelov strojnega učenja boste uporabljali **beležnice**. Ta vrsta datoteke je pogosto orodje podatkovnih znanstvenikov in lahko jih prepoznamo po priponi `.ipynb`.
Zvezki so interaktivno okolje, ki razvijalcu omogoča tako pisanje kode kot dodajanje opomb in pisanje dokumentacije okoli kode, kar je zelo koristno za eksperimentalne ali raziskovalne projekte.
Beležnice so interaktivno okolje, ki razvijalcu omogoča tako kodiranje kot dodajanje opomb ter pisanje dokumentacije okoli kode, kar je zelo koristno za eksperimentalne ali raziskovalne projekte.
[](https://youtu.be/7E-jC8FLA2E "ML za začetnike - Nastavitev Jupyter zvezkov za začetek gradnje regresijskih modelov")
[](https://youtu.be/7E-jC8FLA2E "ML za začetnike - Nastavite Jupyter beležnice za začetek gradnje regresijskih modelov")
> 🎥 Kliknite zgornjo sliko za kratek video skozi to vajo.
> 🎥 Kliknite zgornjo sliko za kratki video o tej vaji.
### Vaja - delo z zvezkom
### Vaja - delo z beložnico
V tej mapi boste našli datoteko _notebook.ipynb_.
V tej mapi boste našli datoteko _notebook.ipynb_.
1. Odprite _notebook.ipynb_ v Visual Studio Code.
1. Odprite _notebook.ipynb_ v Visual Studio Code.
Začne se bosta zagnala strežnik Jupyter s Pythonom 3+. V zvezku boste našli dele, ki jih je možno `pognati`, kose kode. Kodo lahko pognate tako, da izberete ikono, ki izgleda kot gumb za predvajanje.
Zažene se Jupyter strežnik s Python 3+. V beležnici boste našli odseke, ki jih lahko `pobegnete` oziroma izvajate, to so koščki kode. Kodo lahko zaženete z izbiro ikone, ki spominja na gumb za predvajanje.
1. Izberite ikono `md` in dodajte nekaj markdowna ter naslednje besedilo **# Dobrodošli v vašem zvezku**.
1. Izberite ikono `md` in dodajte nekaj markdowna ter naslednji tekst **# Dobrodošli v vaši beležnici**.
Nato dodajte nekaj Python kode.
Nato dodajte nekaj Python kode.
1. Vtipkajte **print('hello notebook')** v razdelek s kodo.
1. V kodo tipkajte **print('hello notebook')**.
1. Izberite puščico za zagon kode.
1. Kliknite puščico za zagon kode.
Videli boste natisnjen izpis:
Videli boste natisnjen stavek:
```output
```output
hello notebook
hello notebook
```
```
Kodo lahko prepletate s komentarji, da dokumentirate zvezek.
Kodo lahko prepletate s komentarji, da beležnico samodokumentirate.
✅ Razmislite za trenutek, kako drugačno je razvojno okolje spletnega razvijalca v primerjavi z okoljem podatkovnega znanstvenika.
✅ Razmislite za trenutek, kako drugačno je delovno okolje spletnega razvijalca v primerjavi s podatkovnim znanstvenikom.
## Zagon Scikit-learn
## Začetek z Scikit-learn
Zdaj, ko je Python nastavljen v vašem lokalnem okolju in ste udobni z Jupyter zvezki, se seznanimo enako udobno s Scikit-learn (izgovarja se `sci` kot v `science`). Scikit-learn ponuja [obsežen API](https://scikit-learn.org/stable/modules/classes.html#api-ref), ki vam pomaga pri opravljanju nalog strojnega učenja.
Zdaj, ko imate Python nastavljen v svojem lokalnem okolju in ste udobni z Jupyter beležnicami, postanite enako vešči s Scikit-learn (izgovarjajte `sci` kot v `science`). Scikit-learn zagotavlja [obsežen API](https://scikit-learn.org/stable/modules/classes.html#api-ref), da vam pomaga izvajati ML naloge.
Po njihovem [spletnem mestu](https://scikit-learn.org/stable/getting_started.html) "je Scikit-learn odprtokodna knjižnica strojnega učenja, ki podpira nadzorovano in nenadzorovano učenje. Prav tako nudi različna orodja za prilagajanje modelov, predobdelavo podatkov, izbor in vrednotenje modela ter številne druge pripomočke."
Po njihovi [spletni strani](https://scikit-learn.org/stable/getting_started.html) "je Scikit-learn odprtokodna knjižnica za strojno učenje, ki podpira nadzorovano in nenadzorovano učenje. Prav tako ponuja različna orodja za prilagajanje modelov, predobdelavo podatkov, izbor modela in ocenjevanje ter številne druge pripomočke."
V tem tečaju boste uporabili Scikit-learn in druga orodja za gradnjo modelov strojnega učenja za izvedbo tistih nalog, ki jih imenujemo 'tradicionalno strojno učenje'. Zavestno smo se izognili nevronskim mrežam in globokemu učenju, saj so bolje pokriti v našem prihajajočem učnem načrtu 'AI za začetnike'.
V tem tečaju boste uporabljali Scikit-learn in druga orodja za gradnjo modelov strojnega učenja za naloge, ki jih imenujemo 'tradicionalno strojno učenje'. Veščine nevronskih mrež in globokega učenja smo zavestno izpustili, ker so bolje pokrite v našem prihajajočem kurikulu 'AI za začetnike'.
Scikit-learn olajša gradnjo modelov in njihovo vrednotenje glede na uporabo. Osredotoča se predvsem na numerične podatke in vsebuje več vgrajenih podatkovnih zbirk za učenje. Vključuje tudi vnaprej pripravljene modele za preizkušanje. Raziskajmo proces nalaganja že pripravljenih podatkov in uporabo vgrajenega ocenilca - prvega ML modela s Scikit-learn na osnovi osnovnih podatkov.
Scikit-learn omogoča enostavno izdelavo modelov in njihovo ocenjevanje za uporabo. Osredotočen je predvsem na uporabo numeričnih podatkov in vsebuje več že pripravljenih zbirk podatkov kot učna orodja. Vključuje tudi vnaprej izdelane modele, ki jih lahko preizkušajo študenti. Raziščimo postopek nalaganja pripravljenih podatkov in uporabo vgrajenega estimatorja za ustvarjanje vašega prvega ML modela s Scikit-learn na osnovnih podatkih.
## Vaja - vaš prvi Scikit-learn zvezek
## Vaja - vaša prva Scikit-learn beležnica
> Ta vodič je navdihnila [linearna regresija primer](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na Scikit-learn spletni strani.
> Ta vadnica je navdihnjena z [primerom linearne regresije](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na spletni strani Scikit-learn.
[](https://youtu.be/2xkXL5EUpS0 "ML za začetnike - vaš prvi linearni regresijski projekt v Pythonu")
[](https://youtu.be/2xkXL5EUpS0 "ML za začetnike - Vaš prvi linearni regresijski projekt v Pythonu")
> 🎥 Kliknite zgornjo sliko za kratek video skozi to vajo.
> 🎥 Kliknite zgornjo sliko za kratek video o tej vaji.
V datoteki _notebook.ipynb_ povezanih s to lekcijo počistite vse celice z klikom ikone 'koš'.
V datoteki _notebook.ipynb_ povezani s to lekcijo počistite vse celice tako, da kliknete ikono 'košarica'.
V tem razdelku boste delali z majhnim podatkovnim nizom o diabetiku, ki je vključen v Scikit-learn za učne namene. Predstavljajte si, da želite preizkusiti zdravljenje za bolnike z diabetesom. Modeli strojnega učenja bi vam lahko pomagali določiti, kateri bolniki bi bolje reagirali na zdravljenje, glede na kombinacije spremenljivk. Tudi zelo osnovni regresijski model, ko je vizualiziran, vam lahko pokaže informacije o spremenljivkah, ki bi pomagale organizirati vaše teoretične klinične preizkuse.
V tem razdelku boste delali z majhnim naborom podatkov o sladkorni bolezni, ki je vključena v Scikit-learn za učne namene. Predstavljajte si, da želite testirati zdravljenje za bolnike s sladkorno boleznijo. Modeli strojnega učenja bi vam lahko pomagali določiti, kateri bolniki bodo bolje reagirali na zdravljenje, glede na kombinacije spremenljivk. Tudi zelo osnovni regresijski model, ko ga vizualno prikažemo, lahko prikaže informacije o spremenljivkah, ki bi vam pomagale organizirati teoretične klinične študije.
✅ Obstaja veliko vrst regresijskih metod, izbira prave pa je odvisna od vprašanja, na katero iščete odgovor. Če želite napovedati verjetno višino osebe določene starosti, uporabite linearno regresijo, saj iščete **numerično vrednost**. Če vas zanima, ali naj se ena vrsta kuhinje šteje kot veganska ali ne, iščete **kategorijsko dodelitev**, zato bi uporabili logistično regresijo. O logistični regresiji se boste naučili več kasneje. Premislite o nekaterih vprašanjih, ki si jih lahko zastavite o podatkih, in katere od teh metod bi bile ustreznejše.
✅ Obstaja mnogo vrst regresijskih metod in katero izberete, je odvisno od vprašanja, na katero želite odgovoriti. Če želite napovedati verjetno višino osebe določene starosti, uporabite linearno regresijo, saj iščete **numerično vrednost**. Če vas zanima ugotoviti, ali naj se določena kuhinja šteje za vegansko ali ne, iščete **kategorijsko dodelitev**, torej bi uporabili logistično regresijo. O logistični regresiji se boste pozneje naučili več. Razmislite o nekaj vprašanjih, ki jih lahko zastavite podatkom, in katera od teh metod bi bila bolj primerna.
Začnimo s to nalogo.
Začnimo to nalogo.
### Uvoz knjižnic
### Uvoz knjižnic
Za to nalogo bomo uvozili nekaj knjižnic:
Za to nalogo bomo uvozili nekaj knjižnic:
- **matplotlib**. Uporabna [orodje za risanje grafov](https://matplotlib.org/), ki ga bomo uporabili za izdelavo črtnega grafa.
- **matplotlib**. Uporaben [grafični pripomoček](https://matplotlib.org/), ki ga bomo uporabili za risanje črtnega diagrama.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je koristna knjižnica za upravljanje numeričnih podatkov v Pythonu.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je uporabna knjižnica za ravnanje z numeričnimi podatki v Pythonu.
- **sklearn**. To je knjižnica [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
- **sklearn**. To je [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) knjižnica.
Uvozite nekaj knjižnic, ki vam bodo pomagale pri nalogah.
Uvozite nekaj knjižnic, ki vam bodo pomagale pri nalogah.
@ -123,26 +123,26 @@ Uvozite nekaj knjižnic, ki vam bodo pomagale pri nalogah.
from sklearn import datasets, linear_model, model_selection
from sklearn import datasets, linear_model, model_selection
```
```
Zgoraj uvažate `matplotlib`, `numpy` in uvažate `datasets`, `linear_model` ter `model_selection` iz `sklearn`. `model_selection` se uporablja za razdelitev podatkov na učne in testne sklope.
Zgornje uvoze `matplotlib`, `numpy` in iz `sklearn` uvozite `datasets`, `linear_model` in `model_selection`. `model_selection` se uporablja za razdeljevanje podatkov na učne in testne sklope.
### Diabetični podatkovni niz
### Nabor podatkov o sladkorni bolezni
Vgrajeni [diabetični podatkovni niz](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) vključuje 442 vzorcev podatkov o diabetesu, z 10 značilnimi spremenljivkami, nekaj naslova:
Vgrajeni [nabor podatkov o sladkorni bolezni](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) vključuje 442 vzorcev podatkov o sladkorni bolezni z 10 funkcijskimi spremenljivkami, od katerih so nekatere:
- starost: starost v letih
- starost: starost v letih
- bmi: indeks telesne mase
- bmi: indeks telesne mase
- bp: povprečni krvni tlak
- bp: povprečni krvni tlak
- s1 tc: T celice (vrsta belih krvnih celic)
- s1 tc: T-celice (vrsta belih krvničk)
✅ Ta podatkovni niz vključuje koncept 'spola' kot značilno spremenljivko, pomembno za raziskave o diabetesu. Veliko medicinskih podatkovnih nizov vključuje tovrstno binarno klasifikacijo. Premislite, kako bi takšne kategorizacije lahko izključile določene dele prebivalstva iz zdravljenj.
✅ Ta nabor podatkov vključuje koncept 'spola' kot funkcijsko spremenljivko, pomembno za raziskave sladkorne bolezni. Veliko medicinskih zbirk podatkov vključuje tovrstno binarno klasifikacijo. Razmislite o tem, kako lahko takšni kategorizaciji izključijo določene dele populacije iz zdravljenja.
Zdaj naložite podatka X in y.
Zdaj naložite podatke X in y.
> 🎓 Zapomnite si, da gre za nadzorovano učenje in potrebujemo imenovani cilj 'y'.
> 🎓 Ne pozabite, gre za nadzorovano učenje, zato potrebujemo imenovani cilj 'y'.
V novi celici s kodo naložite diabetični podatkovni niz s klicem `load_diabetes()`. Vhod `return_X_y=True` signalizira, da bo `X` podatkovna matrika, `y` pa regresijski cilj.
V novi celici s kodo naložite nabor podatkov o sladkorni bolezni tako, da pokličete `load_diabetes()`. Vnos `return_X_y=True` pomeni, da bo `X` podatkovna matrika, `y` pa cilj regresije.
1. Dodajte nekaj ukazov za izpis oblike podatkovne matrike in njenega prvega elementa:
1. Dodajte nekaj ukazov print za prikaz oblike podatkovne matrike in njenega prvega elementa:
```python
```python
X, y = datasets.load_diabetes(return_X_y=True)
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ V novi celici s kodo naložite diabetični podatkovni niz s klicem `load_diabete
print(X[0])
print(X[0])
```
```
Kar prejemate kot odgovor, je nabor dveh vrednosti (tuple). To, kar počnete, je, da dodelite prvi dve vrednosti iz nabora `X` in `y` vrstnem redu. Več o [tuple](https://wikipedia.org/wiki/Tuple) lahko preberete.
Kar boste dobili nazaj kot odziv, je tuple. S tem postopkom dodelite prvi dve vrednosti tuple spremenljivkama `X` in `y`. Več o [tuple-ih](https://wikipedia.org/wiki/Tuple) se naučite tukaj.
Vidite lahko, da podatki vsebujejo 442 elemente, oblikovane v tabele z 10 elementi:
Vidite lahko, da ta podatkovna množica vsebuje 442 elementov v nizi z 10 elementi:
```text
```text
(442, 10)
(442, 10)
@ -160,39 +160,39 @@ V novi celici s kodo naložite diabetični podatkovni niz s klicem `load_diabete
-0.04340085 -0.00259226 0.01990842 -0.01764613]
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
```
✅ Razmislite o povezavi med podatki in regresijskim ciljem. Linearna regresija napoveduje razmerja med značilko X in ciljno spremenljivko y. Ali lahko poiščete [cilj](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) za diabetični podatkovni niz v dokumentaciji? Kaj ta podatkovni niz prikazuje glede na cilj?
✅ Razmislite o odnosu med podatki in ciljem regresije. Linearna regresija napoveduje odnose med funkcijo X in ciljno spremenljivko y. Ali lahko v dokumentaciji najdete [cilj](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) za nabor podatkov o sladkorni bolezni? Kaj ta nabor podatkov prikazuje ob upoštevanju tega cilja?
2. Nato izberite del tega podatkovnega niza za prikaz tako, da izberete 3. stolpec podatkovnega niza. To lahko naredite z uporabo operatorja `:`, ki izbere vse vrstice, in nato izberete 3. stolpec z indeksom (2). Podatke lahko tudi preoblikujete v 2D tabelo - kot zahtevano za prikaz - z uporabo `reshape(n_rows, n_columns)`. Če je kateri parameter -1, se ta dimenzija samodejno izračuna.
2. Nato izberite del tega nabora podatkov posebej za prikaz tako, da izberete 3. stolpec nabora. To naredite z uporabo operatorja `:` za izbiro vseh vrstic in nato izberete 3. stolpec z indeksom (2). Podatke lahko tudi prerazporedite v 2D matriko - kot je zahtevano za risanje - z uporabo `reshape(n_rows, n_columns)`. Če je eden parametrov -1, se ustrezna dimenzija izračuna samodejno.
```python
```python
X = X[:, 2]
X = X[:, 2]
X = X.reshape((-1,1))
X = X.reshape((-1,1))
```
```
✅ Kadarkoli izpišite podatke, da preverite obliko.
✅ Kadarkoli izpišite podatke, da preverite njihovo obliko.
3. Ko imate podatke pripravljene za prikaz, preverite, če vam lahko stroj pomaga določiti logično razdelitev števil v tem podatkovnem nizu. Za to morate razdeliti podatke (X) in cilj (y) na učne in testne sklade. Scikit-learn omogoča enostavno razdelitev testnih podatkov na določenem mestu.
3. Zdaj, ko imate podatke pripravljene na prikaz, lahko preverite, ali vam stroj pomaga določiti logično razmejitev med številkami v tem naboru. Da to naredite, morate podatke (X) in cilj (y) razdeliti na testne in učne sklope. Scikit-learn ima preprost način za to; lahko razdelite testne podatke na določenem mestu.
```python
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
```
4. Zdaj ste pripravljeni na učenje modela! Naložite linearni regresijski model in ga trenirajte z učnimi sklopi X in y z uporabo `model.fit()`:
4. Zdaj ste pripravljeni za učenje modela! Naložite linearni regresijski model in ga izučite z vašimi X in y učnimi sklopi z uporabo `model.fit()`:
```python
```python
model = linear_model.LinearRegression()
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
model.fit(X_train, y_train)
```
```
✅ Funkcijo `model.fit()` boste pogosto videli v knjižnicah za ML, kot je TensorFlow.
✅ `model.fit()` je funkcija, ki jo boste videli v mnogih ML knjižnicah, kot je TensorFlow
5. Nato ustvarite napoved z uporabo testnih podatkov, z uporabo funkcije`predict()`. To bo uporabljeno za risanje črte med podatkovnimi skupinami.
5. Nato ustvarite napoved z uporabo testnih podatkov s funkcijo`predict()`. To bo uporabljeno za risanje črte med podatkovnimi skupinami.
```python
```python
y_pred = model.predict(X_test)
y_pred = model.predict(X_test)
```
```
6. Zdaj je čas, da prikažete podatke na grafikonu. Matplotlib je zelo uporabno orodje za to nalogo. Naredite razpršeni graf (scatterplot) vseh testnih podatkov X in y ter uporabite napoved, da narišete črto na najbolj primernem mestu, med skupinami podatkov modela.
6. Zdaj je čas, da prikažete podatke na grafu. Matplotlib je zelo uporabno orodje za to nalogo. Naredite razpršen diagram vseh testnih podatkov X in y, ter uporabite napoved za risanje črte na najbolj primernem mestu, med podatkovnimi skupinami modela.
```python
```python
plt.scatter(X_test, y_test, color='black')
plt.scatter(X_test, y_test, color='black')
@ -203,28 +203,27 @@ V novi celici s kodo naložite diabetični podatkovni niz s klicem `load_diabete
plt.show()
plt.show()
```
```
✅ Razmislite, kaj se tukaj dogaja. Ravna črta gre skozi mnogo majhnih točk podatkov, a kaj pravzaprav počne? Ali vidite, kako lahko uporabite to črto za napovedovanje, kje naj bi se uvrstila nova, nevidena podatkovna točka glede na os y grafa? Poskusite z besedami izraziti praktično uporabo tega modela.
✅ Razmislite malo o tem, kaj se tukaj dogaja. Ravna črta poteka skozi veliko majhnih točk podatkov, a kaj točno počne? Vidite, kako bi morali uporabiti to črto, da napoveste, kje naj bi se nova, nevidena podatkovna točka ujemala glede na y os grafa? Poskusite z besedami opisati praktično uporabo tega modela.
Čestitke, sestavili ste svoj prvi linearni regresijski model, ustvarili napoved z njim in jo prikazali na grafu!
Čestitke, zgradili ste svoj prvi linearni regresijski model, z njim ustvarili napoved in jo prikazali na grafu!
---
---
## 🚀Izziv
## 🚀Izziv
Narišite drugo spremenljivko iz tega nabora podatkov. Namig: uredite to vrstico:`X = X[:,2]`. Glede na cilj tega nabora podatkov, kaj lahko odkrijete o napredovanju diabetesa kot bolezni?
Narišite drugačno spremenljivko iz tega nabora podatkov. Namig: uredite vrstico `X = X[:,2]`. Glede na cilj tega nabora podatkov, kaj lahko odkrijete o napredovanju sladkorne bolezni kot bolezni?
## [Kvizi po predavanju](https://ff-quizzes.netlify.app/en/ml/)
V tej vadnici ste delali s preprosto linearno regresijo, ne z enospremenljivostno ali večspremenljivostno linearno regresijo. Preberite nekaj o razlikah med temi metodami ali si oglejte [ta video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
V tej vadnici ste delali z enostavno linearno regresijo, namesto z univariatno ali multiplo linearno regresijo. Preberite nekaj o razlikah med temi metodami ali si oglejte [ta video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Preberite več o pojmu regresije in razmislite, kakšna vprašanja lahko ta tehnika odgovori. Oglejte si ta [vodnik](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), da poglobite svoje razumevanje.
Preberite več o konceptu regresije in premislite, kakšna vprašanja lahko ta tehnika odgovori. Opravite ta [vadnico](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), da poglobite svoje razumevanje.
Gručenje je naloga strojnega učenja, pri kateri iščemo predmete, ki so si med seboj podobni, in jih združujemo v skupine, imenovane gruče. Kar razlikuje gručenje od drugih pristopov v strojnem učenju, je dejstvo, da se stvari dogajajo samodejno; pravzaprav lahko rečemo, da je to nasprotje nadzorovanega učenja.
Gručenje je naloga strojnega učenja, kjer iščemo predmete, ki so si med seboj podobni, in jih združujemo v skupine, imenovane gruče. Kar gručenje loči od drugih pristopov v strojni učni, je to, da se stvari dogajajo samodejno, pravzaprav lahko rečemo, da je to nasprotje nadzorovanega učenja.
## Regionalna tema: modeli za gručenje glasbenih okusov nigerijskega občinstva 🎧
## Regionalna tema: modeli gručenja za glasbeni okus nigerijske publike 🎧
Raznoliko nigerijsko občinstvo ima raznolike glasbene okuse. Z uporabo podatkov, pridobljenih s Spotifyja (navdihnjeno s [tem člankom](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), si poglejmo nekaj glasbe, ki je priljubljena v Nigeriji. Ta podatkovni niz vključuje podatke o različnih pesmih, kot so ocena 'plesnosti', 'akustičnosti', glasnosti, 'govorljivosti', priljubljenosti in energije. Zanimivo bo odkriti vzorce v teh podatkih!
Nigerijska raznolika publika ima raznolike glasbene okuse. Z uporabo podatkov, pridobljenih s Spotifyja (navdihnjeno z [tem člankom](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), si ogledajmo nekaj glasbe, priljubljene v Nigeriji. Ta podatkovni niz vključuje podatke o različnih pesmih, kot so ocena 'plesnosti', 'akustičnosti', glasnosti, 'govornosti', priljubljenosti in energije. Zanimivo bo odkriti vzorce v teh podatkih!
> Fotografija<ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcele Laskoski</a> na <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
> Foto:<ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> na <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
V tej seriji lekcij boste odkrili nove načine za analizo podatkov z uporabo tehnik gručenja. Gručenje je še posebej uporabno, kadar vaš podatkovni niz nima oznak. Če pa oznake obstajajo, so tehnike klasifikacije, kot ste jih spoznali v prejšnjih lekcijah, morda bolj uporabne. V primerih, ko želite združiti neoznačene podatke, je gručenje odličen način za odkrivanje vzorcev.
V tej seriji lekcij boste odkrili nove načine za analizo podatkov z uporabo tehnik gručenja. Gručenje je še posebej uporabno, kadar vaš podatkovni niz nima oznak. Če jih ima, so lahko uporabnejše tehnike klasifikacije, kot ste jih spoznali v prejšnjih lekcijah. Toda v primerih, ko želite združiti neoznačene podatke, je gručenje odličen način za odkrivanje vzorcev.
> Obstajajo uporabna orodja z malo kode, ki vam lahko pomagajo pri delu z modeli za gručenje. Poskusite [Azure ML za to nalogo](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Na voljo so koristna orodja z malo kode, ki vam lahko pomagajo pri učenju dela z modeli gručenja. Poskusite [Azure ML za to nalogo](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Lekcije
## Lekcije
1. [Uvod v gručenje](1-Visualize/README.md)
1. [Uvod v gručenje](1-Visualize/README.md)
2. [Gručenje s K-Means](2-K-Means/README.md)
2. [K-Means gručenje](2-K-Means/README.md)
## Zasluge
## Zahvale
Te lekcije so bile napisane z 🎶 s strani [Jen Looper](https://www.twitter.com/jenlooper) z uporabnimi pregledi s strani [Rishit Dagli](https://rishit_dagli) in [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Te lekcije je ustvarila 🎶 [Jen Looper](https://www.twitter.com/jenlooper) s koristnimi pregledi [Rishita Daglija](https://rishit_dagli/) in [Muhammada Sakiba Khana Inana](https://twitter.com/Sakibinan).
Podatkovni niz [Nigerijske pesmi](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) je bil pridobljen s Kaggleja, kot je bil pridobljen s Spotifyja.
Podatkovni niz [Nigerijskih pesmi](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) je bil pridobljen iz Kaggle kot zajet s Spotifyja.
Uporabni primeri K-Means, ki so pomagali pri ustvarjanju te lekcije, vključujejo to [raziskovanje irisa](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ta [uvodni zvezek](https://www.kaggle.com/prashant111/k-means-clustering-with-python) in ta [hipotetični primer nevladne organizacije](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Koristni primeri K-Means, ki so pomagali pri ustvarjanju te lekcije, vključujejo to [raziskovanje irisa](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ta [uvodni zvezek](https://www.kaggle.com/prashant111/k-means-clustering-with-python) in ta [hipotetični primer NVO](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
---
**Omejitev odgovornosti**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda.
**Omejitev odgovornosti**:
Ta dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije je priporočljiv strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.
Kaj je napovedovanje časovnih vrst? Gre za napovedovanje prihodnjih dogodkov z analizo preteklih trendov.
Kaj je napovedovanje časovnih serij? Gre za napovedovanje prihodnjih dogodkov z analizo trendov iz preteklosti.
## Regionalna tema: svetovna poraba električne energije ✨
## Regionalna tema: svetovna poraba elektrike ✨
V teh dveh lekcijah boste spoznali napovedovanje časovnih vrst, nekoliko manj znano področje strojnega učenja, ki je kljub temu izjemno dragoceno za industrijske in poslovne aplikacije ter druge področja. Čeprav se lahko nevronske mreže uporabljajo za izboljšanje uporabnosti teh modelov, jih bomo preučevali v kontekstu klasičnega strojnega učenja, saj modeli pomagajo napovedovati prihodnjo uspešnost na podlagi preteklosti.
V teh dveh lekcijah boste spoznali napovedovanje časovnih serij, nekoliko manj znano področje strojnega učenja, ki pa je izjemno dragoceno za industrijske in poslovne aplikacije ter druga področja. Medtem ko lahko nevronske mreže izboljšajo uporabnost teh modelov, jih bomo študirali v okviru klasičnega strojnega učenja, saj modeli pomagajo napovedovati prihodnje rezultate na osnovi preteklosti.
Naša regionalna osredotočenost je poraba električne energije po svetu, zanimiv nabor podatkov za učenje o napovedovanju prihodnje porabe električne energije na podlagi vzorcev pretekle obremenitve. Vidite lahko, kako je takšno napovedovanje lahko izjemno koristno v poslovnem okolju.
Naše regionalno osredotočenje je električna poraba na svetu, zanimiv niz podatkov za učenje o napovedovanju prihodnje porabe električne energije na podlagi vzorcev pretekle obremenitve. Lahko vidite, kako je takšno napovedovanje izjemno koristno v poslovnem okolju.
Fotografija [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) električnih stolpov na cesti v Rajasthanu na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Fotografija [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) električnih stolpov ob cesti v Radžastanu na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Lekcije
## Lekcije
1. [Uvod v napovedovanje časovnih vrst](1-Introduction/README.md)
1. [Uvod v napovedovanje časovnih serij](1-Introduction/README.md)
2. [Gradnja ARIMA modelov za časovne serije](2-ARIMA/README.md)
3. [Izdelava Support Vector Regressor za napovedovanje časovnih vrst](3-SVR/README.md)
3. [Gradnja podpornika vektorske regresije za napovedovanje časovnih serij](3-SVR/README.md)
## Zasluge
## Zahvale
"Uvod v napovedovanje časovnih vrst" sta napisali ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) in [Jen Looper](https://twitter.com/jenlooper). Zvezki so se prvič pojavili na spletu v [Azure "Deep Learning For Time Series" repozitoriju](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), ki ga je prvotno napisala Francesca Lazzeri. Lekcijo o SVR je napisal [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
"Uvod v napovedovanje časovnih serij" sta napisali ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) in [Jen Looper](https://twitter.com/jenlooper). Zvezki so se prvič pojavili na spletu v [Azure "Deep Learning For Time Series" repozitoriju](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), ki ga je prvotno napisala Francesca Lazzeri. Lekcijo o SVR je napisal [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
---
**Omejitev odgovornosti**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da se zavedate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda.
**Omejitev odgovornosti**:
Ta dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije je priporočljiv strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.
> Ta repozitorij vsebuje več kot 50 jezikovnih prevodov, kar močno poveča velikost prenosa. Če želite klonirati brez prevodov, uporabite sparse checkout:
> Ta repozitorij vsebuje prevode v več kot 50 jezikih, kar znatno poveča velikost prenosa. Če želite klonirati brez prevodov, uporabite sparse checkout:
>
>
> **Bash / macOS / Linux:**
> **Bash / macOS / Linux:**
> ```bash
> ```bash
@ -33,55 +33,57 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
> ```
>
>
> To vam daje vse, kar potrebujete za dokončanje tečaja z veliko hitrejšim prenosom.
> Tako pridobite vse, kar potrebujete za dokončanje tečaja, z veliko hitrejšim prenosom.
Imamo tekočo serijo "Učenje z AI" na Discordu, izveste več in se nam pridružite na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. septembra 2025. Dobite nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.
V okviru serije Discord learn with AI poteka učenje z umetno inteligenco, izveste več in se nam pridružite na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. septembra 2025. Dobili boste nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.
# Strojno učenje za začetnike - učni načrt
# Strojno učenje za začetnike - učni načrt
> 🌍 Potujte po svetu, ko raziskujemo strojno učenje skozi svetovne kulture 🌍
> 🌍 Potujte po svetu, medtem ko raziskujemo strojno učenje skozi svetovne kulture 🌍
Cloud Advocates pri Microsoftu z veseljem ponujajo 12-tedenski program, sestavljen iz 26 lekcij, ki govori o **strojnem učenju**. V tem učnem načrtu se boste naučili tega, kar včasih imenujemo **klasično strojno učenje**, pri čemer primarno uporabljamo knjižnico Scikit-learn in se izogibamo globokemu učenju, ki je zajeto v našem [učnem načrtu AI za začetnike](https://aka.ms/ai4beginners). Te lekcije združite z našim [učnim načrtom 'Data Science za začetnike'](https://aka.ms/ds4beginners)!
Microsoftovi zagovorniki oblaka z veseljem ponujajo 12-tedenski, 26-lekcijski učni načrt, ki se osredotoča na **strojno učenje**. V tem učnem načrtu boste spoznali tisto, kar imenujemo **klasično strojno učenje**, kjer se večinoma uporablja knjižnica Scikit-learn, medtem ko globoko učenje pokrivamo v našem [učnem načrtu AI for Beginners](https://aka.ms/ai4beginners). Te lekcije lahko združite tudi z našim [učnim načrtom Data Science for Beginners](https://aka.ms/ds4beginners)!
Potujte z nami po svetu, ko te klasične tehnike uporabljamo na podatkih z različnih področij sveta. Vsaka lekcija vključuje kvize pred in po lekciji, pisna navodila za dokončanje lekcije, rešitev, nalogo in še več. Naša pedagoška metoda, temelječa na projektih, vam omogoča učenje med ustvarjanjem, kar je preizkušena metoda za boljše usvajanje novih veščin.
Potujte z nami po svetu, medtem ko klasične tehnike uporabljamo na podatkih iz različnih svetovnih področij. Vsaka lekcija vključuje pred- in po-lekcijske kvize, pisna navodila za dokončanje lekcije, rešitev, naloge in še več. Naša pedagoška zasnova, ki temelji na projektih, vam omogoča učenje skozi ustvarjanje, kar je dokazano učinkovit način za utrjevanje novih znanj.
**✍️ Iskrena hvala našim avtorjem** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd
**✍️ Iskrena hvala našim avtorjem** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd
**🎨 Prav tako hvala našim ilustratorjem** Tomomi Imura, Dasani Madipalli in Jen Looper
**🎨 Zahvale tudi našim ilustratorjem** Tomomi Imura, Dasani Madipalli in Jen Looper
**🙏 Posebna hvala 🙏 našim Microsoft Student Ambassador avtorjem, recenzentom in prispevalcem vsebin**, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal
**🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador avtorjem, recenzentom in prispevkarjem vsebine**, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal
**🤩 Posebna zahvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše R lekcije!**
**🤩 Dodatna hvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R!**
# Začetek
# Začetek
Sledite tem korakom:
Sledite tem korakom:
1. **Razvezi repozitorij**: Kliknite na gumb "Fork" v zgornjem desnem kotu te strani.
1. **Razvejajte repozitorij**: Kliknite gumb "Fork" v zgornjem desnem kotu te strani.
> [najdete vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **Hiter začetek:** Želite začeti v brskalniku brez nastavitve Pythona lokalno? Uporabite [GitHub Codespaces](https://github.com/features/codespaces) za ustvarjanje oblačnega razvojnega okolja za vaš fork. Odprite zelen meni **Code**, izberite **Codespaces** in ustvarite codespace; po potrebi namestite potrebne odvisnosti za posamezne lekcije.
> 🔧 **Potrebujete pomoč?** Oglejte si naš [Vodnik za odpravljanje težav](TROUBLESHOOTING.md) za rešitve pogostih težav z namestitvijo, nastavitvijo in izvajanjem lekcij.
> [vse dodatne vire za ta tečaj najdete v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Potrebujete pomoč?** Preverite naš [Vodnik za odpravljanje težav](TROUBLESHOOTING.md) za rešitve pogostih problemov z namestitvijo, nastavitvijo in izvajanjem lekcij.
**[Študentje](https://aka.ms/student-page)**, da uporabite ta učni načrt, razvežite celoten repozitorij na svoj GitHub račun in dokončajte vaje sami ali v skupini:
- Začnite s kvizom pred predavanjem.
**[Študenti](https://aka.ms/student-page)**, za uporabo tega učnega načrta razvejajte celoten repozitorij v svoj GitHub račun in rešitve naredite sami ali v skupini:
- Preberite predavanje in dokončajte dejavnosti, se ustavljajte in razmišljajte ob vsakem preverjanju znanja.
- Poskusite ustvariti projekte poglobljeno razumevajoč lekcije namesto le z zagonom kode rešitve; čeprav je ta koda na voljo v mapah `/solution` v vsaki lekciji osredotočeni na projekt.
- Začnite s predpredavanjem kvizom.
- Preberite predavanje in dokončajte aktivnosti, občasno ustavite in premislite ob vsakem preverjanju znanja.
- Poskusite ustvariti projekte sami s pomočjo razumevanja lekcij, ne samo z izvajanjem kode rešitve; koda rešitve je na voljo v mapah `/solution` v vsakem lekcijskem modulu, usmerjenem v projekte.
- Opravite kviz po predavanju.
- Opravite kviz po predavanju.
- Dokončajte izziv.
- Dokončajte izziv.
- Dokončajte nalogo.
- Dokončajte domačo nalogo.
- Po dokončanju skupine lekcij obiščite [Diskusijsko ploščo](https://github.com/microsoft/ML-For-Beginners/discussions) in "se učite na glas" z izpolnitvijo ustrezne rubrike PAT. 'PAT' je Orodje za ocenjevanje napredka, rubrika, ki jo izpolnite za nadaljnje učenje. Prav tako lahko reagirate na druge PAT-e, da se skupaj učimo.
- Po zaključku skupine lekcij obiščite [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) in "učite se na glas", tako da izpolnite ustrezno PAT lestvico. 'PAT' pomeni Orodje za ocenjevanje napredka, ki ga izpolnite za poglobitev učenja. Prav tako lahko reagirate na PAT-e drugih, da se skupaj učimo.
> Za nadaljnje študije priporočamo spremljanje teh [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulov in učnih poti.
> Za nadaljnje študijsko gradivo priporočamo spremljanje teh modulov in učnih poti na [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Učitelji**, vključili smo [nekaj predlogov](for-teachers.md), kako uporabljati ta učni načrt.
**Učitelji**, vključili smo [nekaj predlogov](for-teachers.md), kako uporabljati ta učni načrt.
@ -89,7 +91,7 @@ Sledite tem korakom:
## Video predstavitve
## Video predstavitve
Nekatere lekcije so na voljo kot kratki videoposnetki. Vse jih najdete neposredno v lekcijah ali na [ML for Beginners playlisti na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) s klikom na spodnjo sliko.
Nekatere lekcije so na voljo kot kratki videi. Vse jih lahko najdete vključene v lekcije ali na [ML for Beginners seznamu predvajanja na YouTube kanalu Microsoft Developer](https://aka.ms/ml-beginners-videos) s klikom na spodnjo sliko.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
@ -99,7 +101,7 @@ Nekatere lekcije so na voljo kot kratki videoposnetki. Vse jih najdete neposredn
> 🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!
> 🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!
@ -107,73 +109,74 @@ Nekatere lekcije so na voljo kot kratki videoposnetki. Vse jih najdete neposredn
## Pedagogika
## Pedagogika
Pri izdelavi tega učnega načrta smo izbrali dve pedagoški osnovi: zagotoviti, da je praktično **projektno usmerjen** in vključuje **pogoste vaje**. Poleg tega ima ta učni načrt skupno **temo**, ki mu daje kohezivnost.
Izbrali smo dva pedagoška principa pri gradnji tega učnega načrta: zagotoviti, da je praktično **na projektih osnovano** in da vključuje **pogoste kvize**. Poleg tega ima ta učni načrt skupno **temo** za kohezivnost.
Z zagotavljanjem, da so vsebine povezane s projekti, je proces za študente bolj zanimiv in pomaga pri ohranjanju pojmov. Poleg tega nizkorizični kviz pred razredom zasadi namen učenja pri študentu, medtem ko drugi kviz po razredu zagotavlja nadaljnje utrjevanje. Ta učni načrt je zasnovan kot prilagodljiv in zabaven ter ga je mogoče vzeti celotnega ali deloma. Projekti začnejo majhni ter s časom postajajo vse bolj zapleteni do konca 12-tedenskega cikla. Ta učni načrt vključuje tudi dodatek o resničnih aplikacijah strojnega učenja, ki ga lahko uporabite kot dodatno zasluženo točko ali kot izhodišče za razpravo.
Z zagotavljanjem, da je vsebina usklajena s projekti, je postopek bolj zanimiv za študente in izboljša se ohranjanje konceptov. Nizek vložek kviza pred predavanjem postavi namen študenta za učenje teme, medtem ko drugi kviz po predavanju zagotovi dodatno ohranitev znanja. Ta učni načrt je zasnovan kot prilagodljiv in zabaven ter ga lahko opravite v celoti ali delno. Projekti se začnejo majhni in postopoma postanejo bolj kompleksni do konca 12-tedenskega cikla. Ta učni načrt vključuje tudi dodatno poglavje o praktičnih aplikacijah strojnega učenja, ki ga lahko uporabite kot dodatno oceno ali kot osnovo za razpravo.
> Najdete naša [Pravila vedenja](CODE_OF_CONDUCT.md), [Prispevanje](CONTRIBUTING.md), [Prevodi](..) in [Odpravljanje težav](TROUBLESHOOTING.md). Veselimo se vaših konstruktivnih povratnih informacij!
> Najdete naš [Kodeks ravnanja](CODE_OF_CONDUCT.md), [Prispevamo](CONTRIBUTING.md), [Prevodi](..) in [Odpravljanje težav](TROUBLESHOOTING.md) smernice. Veselimo se vaših konstruktivnih povratnih informacij!
## Vsaka lekcija vključuje
## Vsaka lekcija vključuje
- opcijsko skico zapiskov
- neobvezen skicirni zapisek
- opcijski dodatni video
- neobvezen dopolnjujoči video
- video predstavitev (samo nekatere lekcije)
- video predstavitev (samo pri nekaterih lekcijah)
- [kviz za ogrevanje pred predavanjem](https://ff-quizzes.netlify.app/en/ml/)
- [pripravni kviz pred predavanjem](https://ff-quizzes.netlify.app/en/ml/)
- pisno lekcijo
- pisno predavanje
- za projektno usmerjene lekcije, korak za korakom vodiče za izdelavo projekta
- pri lekcijah na osnovi projektov vodiči korak za korakom, kako zgraditi projekt
- preverjanja znanja
- preverjanja znanja
- izziv
- izziv
- dodatno branje
- dopolnilno branje
- nalogo
- domača naloga
- [kviz po predavanju](https://ff-quizzes.netlify.app/en/ml/)
- [kviz po predavanju](https://ff-quizzes.netlify.app/en/ml/)
> **Opomba o jezikih**: Te lekcije so večinoma napisane v Pythonu, veliko pa je tudi v R. Za dokončanje lekcije v R pojdite v mapo `/solution` in poiščite lekcije v R. Te imajo pripono .rmd, kar predstavlja **R Markdown** datoteko, ki jo lahko preprosto opredelimo kot vdelavo `koda blokov` (v R ali drugih jezikih) in `YAML glave` (ki usmerja, kako formatirati izhode, kot je PDF) v `Markdown dokument`. Tako služi kot izvrsten okvir za pisanje vsebin za podatkovno znanost, saj omogoča kombiniranje kode, njenega izhoda in vaših misli s pisanjem v Markdownu. Poleg tega je možno R Markdown dokumente izvoziti v izhodne formate, kot so PDF, HTML ali Word.
> **Opomba o jezikih**: Te lekcije so večinoma napisane v Pythonu, vendar je veliko tudi v R. Za dokončanje R lekcije pojdite v mapo `/solution` in poiščite R lekcije. Vsebujejo .rmd pripono, ki predstavlja **R Markdown** datoteko, kar lahko enostavno definiramo kot vdelavo `kodnih blokov` (v R ali drugih jezikih) in `YAML glave` (ki vodi oblikovanje izhodov, kot je PDF) v `Markdown dokument`. Zato je to odlična avtorska platforma za podatkovno znanost, ker omogoča združevanje vaše kode, izhoda in misli, saj jih lahko zapisujete v Markdown. Poleg tega je mogoče dokumente R Markdown pretvoriti v izhodne formate, kot so PDF, HTML ali Word.
> **Opomba o kvizih**: Vsi kvizi so v [Quiz App mapi](../../quiz-app) in vsebujejo skupaj 52 kvizov s po tremi vprašanji vsak. Povezani so znotraj lekcij, aplikacijo za kvize pa je mogoče zagnati lokalno; sledite navodilom v mapi `quiz-app` za lokalno gostovanje ali namestitev na Azure.
> **Opomba o kvizih**: Vsi kvizi so v [mapi Quiz App](../../quiz-app), skupno 52 kvizov, vsak s tremi vprašanji. Povezani so znotraj lekcij, vendar lahko quiz app zaženete lokalno; sledite navodilom v mapi `quiz-app` za lokalno gostovanje ali namestitev v Azure.
| Številka lekcije | Tema | Skupina lekcij | Cilji učenja | Povezana lekcija | Avtor |
| Številka lekcije | Tema | Skupina lekcij | Cilji učenja | Povezana lekcija | Avtor |
| 01 | Uvod v strojno učenje | [Uvod](1-Introduction/README.md) | Spoznajte osnovne koncepte strojnega učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Zgodovina strojnega učenja | [Uvod](1-Introduction/README.md) | Spoznajte zgodovino tega področja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen in Amy |
| 01 | Uvod v strojno učenje | [Introduction](1-Introduction/README.md) | Spoznajte osnovne pojme strojnega učenja | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 03 | Pravičnost in strojno učenje | [Uvod](1-Introduction/README.md) | Katere so pomembne filozofske zadeve o pravičnosti, ki jih morajo študenti upoštevati pri gradnji in uporabi modelov ML? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 02 | Zgodovina strojnega učenja | [Introduction](1-Introduction/README.md) | Spoznajte zgodovino tega področja | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 04 | Tehnike za strojno učenje | [Uvod](1-Introduction/README.md) | Katere tehnike uporabljajo raziskovalci ML za gradnjo modelov ML? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris in Jen |
| 03 | Pravičnost in strojno učenje | [Introduction](1-Introduction/README.md) | Kateri so pomembni filozofski vidiki pravičnosti, ki jih morajo študenti upoštevati pri gradnji in uporabi ML modelov? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 05 | Uvod v regresijo | [Regresija](2-Regression/README.md) | Začnite z Python in Scikit-learn za modele regresije | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 04 | Tehnike za strojno učenje | [Introduction](1-Introduction/README.md) | Katere tehnike uporabljajo raziskovalci ML za gradnjo ML modelov? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 06 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Vizualizirajte in očistite podatke v pripravi na ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 05 | Uvod v regresijo | [Regression](2-Regression/README.md) | Začnite z uporabo Pythona in Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 07 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Zgradite linearne in polinomske regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen in Dmitry • Eric Wanjau |
| 06 | Cene buč v Severni Ameriki 🎃 | [Regression](2-Regression/README.md) | Vizualizirajte in očistite podatke v pripravi za ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 08 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Zgradite logistični regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 07 | Cene buč v Severni Ameriki 🎃 | [Regression](2-Regression/README.md) | Izgradite linearne in polinomske regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 09 | Spletna aplikacija 🔌 | [Spletna aplikacija](3-Web-App/README.md) | Zgradite spletno aplikacijo za uporabo vašega treniranega modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 08 | Cene buč v Severni Ameriki 🎃 | [Regression](2-Regression/README.md) | Izgradite logistični regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 10 | Uvod v klasifikacijo | [Klasifikacija](4-Classification/README.md) | Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen in Cassie • Eric Wanjau |
| 09 | Spletna aplikacija 🔌 | [Web App](3-Web-App/README.md) | Izdelajte spletno aplikacijo za uporabo vašega naučenega modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 11 | Okusi azijske in indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod v klasifikatorje | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen in Cassie • Eric Wanjau |
| 10 | Uvod v klasifikacijo | [Classification](4-Classification/README.md) | Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 12 | Okusi azijske in indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Več klasifikatorjev | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen in Cassie • Eric Wanjau |
| 11 | Slastne azijske in indijske kuhinje 🍜 | [Classification](4-Classification/README.md) | Uvod v klasifikatorje | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 13 | Okusi azijske in indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Zgradite spletno aplikacijo za priporočanje z vašim modelom | [Python](4-Classification/4-Applied/README.md) | Jen |
| 12 | Slastne azijske in indijske kuhinje 🍜 | [Classification](4-Classification/README.md) | Več klasifikatorjev | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 14 | Uvod v grozdenje | [Grozdenje](5-Clustering/README.md) | Očistite, pripravite in vizualizirajte podatke; uvod v grozdenje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 13 | Slastne azijske in indijske kuhinje 🍜 | [Classification](4-Classification/README.md) | Izdelajte priporočilno spletno aplikacijo s svojim modelom | [Python](4-Classification/4-Applied/README.md) | Jen |
| 15 | Raziskovanje nigerijskih glasbenih okusov 🎧 | [Grozdenje](5-Clustering/README.md) | Raziskujte metodo K-sredin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 14 | Uvod v grozdenje | [Clustering](5-Clustering/README.md) | Očistite, pripravite in vizualizirajte podatke; uvod v grozdenje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Uvod v procesiranje naravnega jezika ☕️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Naučite se osnov NLP z gradnjo preprostega bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 15 | Raziskovanje nigerijskih glasbenih okusov 🎧 | [Clustering](5-Clustering/README.md) | Raziskujte metodo grozdenja K-sredin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 17 | Pogoste naloge NLP ☕️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Poglobite svoje NLP znanje z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 16 | Uvod v obdelavo naravnega jezika ☕️ | [Natural language processing](6-NLP/README.md) | Naučite se osnov NLP s izdelavo preprostega bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 18 | Prevajanje in analiza čustev ♥️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Prevajanje in analiza čustev z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 17 | Pogoste naloge NLP ☕️ | [Natural language processing](6-NLP/README.md) | Poglobite svoje znanje NLP z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 19 | Romantični hoteli Evrope ♥️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Analiza čustev z ocenami hotelov 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 18 | Prevodi in analiza čustev ♥️ | [Natural language processing](6-NLP/README.md) | Prevodi in analiza čustev z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 20 | Romantični hoteli Evrope ♥️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Analiza čustev z ocenami hotelov 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 19 | Romantični hoteli Evrope ♥️ | [Natural language processing](6-NLP/README.md) | Analiza čustev z ocenami hotelov 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 21 | Uvod v napovedovanje časovnih vrst | [Časovne vrste](7-TimeSeries/README.md) | Uvod v napovedovanje časovnih vrst | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 20 | Romantični hoteli Evrope ♥️ | [Natural language processing](6-NLP/README.md) | Analiza čustev z ocenami hotelov 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst z ARIMA | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 21 | Uvod v napovedovanje časovnih vrst | [Time series](7-TimeSeries/README.md) | Uvod v napovedovanje časovnih vrst | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst s SVR | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst s podporno vektorsko regresijo | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 22 | ⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst z ARIMA | [Time series](7-TimeSeries/README.md) | Napovedovanje časovnih vrst z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 24 | Uvod v učenje s krepitvijo | [Učenje s krepitvijo](8-Reinforcement/README.md) | Uvod v učenje s krepitvijo z Q-učenjem | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 23 | ⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst z SVR | [Time series](7-TimeSeries/README.md) | Napovedovanje časovnih vrst s podporno vektorsko regresijo | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 25 | Pomagaj Peteru, da se izogne volku! 🐺 | [Učenje s krepitvijo](8-Reinforcement/README.md) | Učenje s krepitvijo z Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| 24 | Uvod v učenje s krepitvijo | [Reinforcement learning](8-Reinforcement/README.md) | Uvod v učenje s krepitvijo s Q-læringom | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Zadnji del | Praktični primeri in aplikacije ML | [ML v praksi](9-Real-World/README.md) | Zanimive in poučne resnične aplikacije klasičnega ML | [Lekcija](9-Real-World/1-Applications/README.md) | Ekipa |
| 25 | Pomagajte Petru, da se izogne volku! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Učenje s krepitvijo v Gymu | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Zadnji del | Odpravljanje napak modelov ML z uporabo RAI nadzorne plošče | [ML v praksi](9-Real-World/README.md) | Odpravljanje napak modelov strojnega učenja z uporabo komponent nadzorne plošče Responsible AI | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| Postscript | Praktični scenariji in uporabe ML | [ML in the Wild](9-Real-World/README.md) | Zanimive in razkrivajoče praktične uporabe klasičnega ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Odpravljanje napak v modelih ML z uporabo RAI nadzorne plošče | [ML in the Wild](9-Real-World/README.md) | Odpravljanje napak v strojnih učnih modelih z uporabo komponent nadzorne plošče Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Dostop brez povezave
## Dostop brez povezave
To dokumentacijo lahko uporabljate brez povezave z uporabo [Docsify](https://docsify.js.org/#/). Razvežite ta repozitorij, [namestite Docsify](https://docsify.js.org/#/quickstart) na svojo lokalno napravo in nato v korenski mapi tega repozitorija vtipkajte `docsify serve`. Spletna stran bo dostopna na vratih 3000 na vaši lokalni napravi: `localhost:3000`.
To dokumentacijo lahko uporabljate brez povezave z [Docsify](https://docsify.js.org/#/). Naredite fork tega repozitorija, [namestite Docsify](https://docsify.js.org/#/quickstart) na vaš lokalni računalnik in nato v korenski mapi tega repozitorija zaženite `docsify serve`. Spletna stran bo na voljo na vratih 3000 na vašem lokalnem gostitelju: `localhost:3000`.
## PDF datoteke
## PDF-ji
Najdite pdf učnega načrta s povezavami [tukaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Najdete pdf učnega načrta z povezavami [tukaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Drugi tečaji
## 🎒 Drugi tečaji
Naša ekipa ustvarja še druge tečaje! Oglejte si:
Naša ekipa pripravlja tudi druge tečaje! Oglejte si:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
### LangChain
@ -186,64 +189,64 @@ Naša ekipa ustvarja še druge tečaje! Oglejte si:
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
---
### Serija generativne umetne inteligence
### Serija o generativni umetni inteligenci
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
---
### Osnovno učenje
### Osnove učenja
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
---
### Serija Copilot
### Serija Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
- Po vsakem pouku preglejte zvezke za boljše razumevanje.
- Po vsaki lekciji preglejte zapiske za boljše razumevanje.
- Vadite samostojno implementacijo algoritmov.
- Vadite samostojno izvajanje algoritmov.
- Raziskujte dejanske podatkovne nize z uporabo naučenih konceptov.
- Raziskujte realne podatkovne zbirke z uporabo naučenih konceptov.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Omejitev odgovornosti**:
**Omejitev odgovornosti**:
Ta dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, upoštevajte, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvorni dokument v njegovem maternem jeziku naj se šteje za avtoritativni vir. Za ključne informacije priporočamo strokovni človeški prevod. Nismo odgovorni za kakršnekoli nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda.
Ta dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije je priporočljiv strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.
Bi radi uporabili ta učni načrt v svojem razredu? Kar izvolite!
Ali želite to učni načrt uporabiti v svoji učilnici? Kar prosim!
Pravzaprav ga lahko uporabite kar znotraj GitHuba, tako da uporabite GitHub Classroom.
Pravzaprav ga lahko uporabljate kar znotraj GitHuba s pomočjo GitHub Classroom.
Za to morate narediti fork tega repozitorija. Za vsako lekcijo boste morali ustvariti ločen repozitorij, zato boste morali vsako mapo izvleči v ločen repozitorij. Na ta način lahko [GitHub Classroom](https://classroom.github.com/classrooms) vsako lekcijo obravnava ločeno.
Za to naredite fork tega repozitorija. Potrebovali boste ustvariti repozitorij za vsako lekcijo, zato boste morali iz vsake mape izvleči ločen repozitorij. Tako bo [GitHub Classroom](https://classroom.github.com/classrooms) lahko ločeno obdelal vsako lekcijo.
Te [celovite smernice](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vam bodo pokazale, kako vzpostaviti svoj razred.
Ti [polni navodili](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vam bosta dala predstavo, kako nastaviti svojo učilnico.
## Uporaba repozitorija v trenutni obliki
## Uporaba repozitorija takšnega, kot je
Če želite uporabiti ta repozitorij v trenutni obliki, brez uporabe GitHub Classroom, je to prav tako mogoče. S študenti boste morali komunicirati, katero lekcijo naj skupaj predelajo.
Če bi želeli uporabljati ta repozitorij, tak kot je sedaj, brez uporabe GitHub Classroom, je to prav tako mogoče. Potrebno bo sporočiti svojim študentom, katero lekcijo boste skupaj obravnavali.
V spletnem formatu (Zoom, Teams ali drugo) lahko organizirate ločene sobe za kvize in mentorirate študente, da se pripravijo na učenje. Nato povabite študente, da rešijo kvize in oddajo svoje odgovore kot 'issues' ob določenem času. Podobno lahko ravnate z nalogami, če želite, da študenti sodelujejo javno.
V spletnem formatu (Zoom, Teams ali drugem) lahko oblikujete manjše skupine za kvize ter mentorirate študente, da se pripravijo za učenje. Nato povabite študente, da rešijo kvize in svoje odgovore oddajo kot 'issues' ob določenem času. Enako lahko storite za naloge, če želite, da študenti sodelujejo javno.
Če imate raje bolj zaseben format, prosite študente, da naredijo fork učnega načrta, lekcijo za lekcijo, v svoje zasebne GitHub repozitorije, in vam omogočijo dostop. Tako lahko kvize in naloge opravijo zasebno ter vam jih oddajo prek 'issues' na vašem razrednem repozitoriju.
Če imate raje bolj zaseben format, prosite študente, naj za vsak pouk posebej naredijo fork učnega načrta v svoje zasebne GitHub repozitorije in vam dajo dostop. Tako lahko zasebno rešujejo kvize in naloge ter vam jih oddajo preko issues na vašem repozitoriju učilnice.
Obstaja veliko načinov, kako to prilagoditi spletnemu učnemu okolju. Prosimo, sporočite nam, kaj vam najbolj ustreza!
Obstaja veliko načinov, kako to uresničiti v spletnem učnem okolju. Prosimo, sporočite nam, kaj vam najbolj ustreza!
## Prosimo, delite svoje mnenje!
## Prosimo, da nam sporočite svoje mnenje!
Želimo, da ta učni načrt deluje za vas in vaše študente. Prosimo, da nam posredujete [povratne informacije](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Želimo, da ta učni načrt deluje za vas in vaše študente. Prosimo, da nam daste [povratne informacije](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
---
**Omejitev odgovornosti**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda.
**Omejitev odgovornosti**:
Ta dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije je priporočljiv strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.
[](https://youtu.be/N6wxM4wZ7V0 "Машинско учење за почетнике - Историја машинског учења")
[](https://youtu.be/N6wxM4wZ7V0 "Машинско учење за почетнике - Историја машинског учења")
> 🎥 Кликните на слику изнад за кратак видео који обрађује ову лекцију.
> 🎥 Кликните на слику изнад за кратак видео који пролази кроз ову лекцију.
У овој лекцији, проћи ћемо кроз главне прекретнице у историји машинског учења и вештачке интелигенције.
У овој лекцији ћемо проћи кроз главне прекретнице у историји машинског учења и вештачке интелигенције.
Историја вештачке интелигенције (AI) као области је тесно повезана са историјом машинског учења, јерсу алгоритми и рачунарски напредак који подупиру машинско учење допринели развоју AI. Корисно је запамтити да, иако сусе ове области као посебне области истраживања почеле кристализовати 1950-их, важна [алгоритамска, статистичка, математичка, рачунарска и техничка открића](https://wikipedia.org/wiki/Timeline_of_machine_learning) претходила и преклапала сеса овим периодом. У ствари, људи размишљају о овим питањима већ [стотинама година](https://wikipedia.org/wiki/History_of_artificial_intelligence): овај чланак разматра историјске интелектуалне основе идеје о 'машини која мисли'.
Историја вештачке интелигенције (ВИ) као области је испреплетана са историјом машинског учења, јерсу алгоритми и напредак у рачунарству који стоје иза МУ допринели развоју ВИ. Корисно је запамтити да, иако сусе ове области као посебне дисциплине почеле кристализовати 1950-их, важна [алгоритамска, статистичка, математичка, рачунарска и техничка открића](https://wikipedia.org/wiki/Timeline_of_machine_learning) претходила су и преклапала са овим периодом. Заправо, људи су размишљали о овим питањима [стотинама година](https://wikipedia.org/wiki/History_of_artificial_intelligence): овај чланак разматра историјске интелектуалне основе идеје „машине која мисли.”
---
---
## Значајна открића
## Значајна открића
- 1763, 1812 [Бајесова теорема](https://wikipedia.org/wiki/Bayes%27_theorem) и њени претходници. Ова теорема и њене примене су основа за закључивање, описујући вероватноћу да се догађај догоди на основу претходног знања.
- 1763, 1812 [Бајесова теорема](https://wikipedia.org/wiki/Bayes%27_theorem) и њени претходници. Ова теорема и њена примена лежи у основи инференције, описујући вероватноћу догађаја на основу претходног знања.
- 1805 [Теорија најмањих квадрата](https://wikipedia.org/wiki/Least_squares) француског математичара Адријена-Марија Лежандра. Ова теорија, коју ћете научити унашем модулу о регресији, помаже у прилагођавању података.
- 1805 [Теорија најмањих квадрата](https://wikipedia.org/wiki/Least_squares) од француског математичара Адријен-Мари Лежандра. Ова теорија, коју ћете научити ујединици регресије, помаже у прилагођавању података.
- 1913 [Марковљеви ланци](https://wikipedia.org/wiki/Markov_chain), названи по руском математичару Андреју Маркову, користе се за описивање низа могућих догађаја на основу претходног стања.
- 1913 [Марковљеви ланци](https://wikipedia.org/wiki/Markov_chain), названи по руском математичару Андреју Маркову, користе се за описивање низа могућих догађаја на основу претходног стања.
- 1957 [Перцептрон](https://wikipedia.org/wiki/Perceptron) је врста линеарног класификатора којује изумео амерички психолог Френк Розенблат и која је основа за напредак у дубоком учењу.
- 1957 [Перцептрон](https://wikipedia.org/wiki/Perceptron) је врста линеарног класификатора који је изумео амерички психолог Френк Розенблат и лежи у основи напретка дубоког учења.
---
---
- 1967 [Најближи сусед](https://wikipedia.org/wiki/Nearest_neighbor) је алгоритам првобитно дизајниран за мапирање рута. У контексту машинског учења користи се за откривање образаца.
- 1967 [Најближи сусед](https://wikipedia.org/wiki/Nearest_neighbor) је алгоритам изворно дизајниран за мапирање рута. У контексту машинског учења користи се за детекцију образаца.
- 1970 [Бекпропагација](https://wikipedia.org/wiki/Backpropagation) се користи за тренирање [напредних неуронских мрежа](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1970 [Повратна пропагација](https://wikipedia.org/wiki/Backpropagation) се користи за тренирање [фидфорвард неуралних мрежа](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Рекурентне неуронске мреже](https://wikipedia.org/wiki/Recurrent_neural_network) су вештачке неуронске мреже изведене из напредних неуронских мрежа које стварају временске графове.
- 1982 [Рекурентне неуралне мреже](https://wikipedia.org/wiki/Recurrent_neural_network) су вештачке неуралне мреже изведене из фидфорвард неуралних мрежа које креирају временске графове.
✅ Урадите мало истраживања. Који други датуми се истичу као кључни у историји машинског учења и вештачке интелигенције?
✅ Урадите мало истраживање. Који други датуми истичу као пресудни у историји МУ и ВИ?
---
---
## 1950: Машине које мисле
## 1950: Машине које мисле
Алан Тјуринг, заиста изузетна личност која је [гласањем јавности 2019. године](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) проглашен за највећег научника 20. века, заслужан је за постављање темеља концепта 'машине која може да мисли'. Он се суочавао са скептицима и сопственом потребом за емпиријским доказима овог концепта делимично креирајући [Тјурингов тест](https://www.bbc.com/news/technology-18475646), који ћете истражити у нашим лекцијама о обради природног језика.
Алан Тјуринг, заиста изузетна личност која је [по гласовима јавности 2019.](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) проглашена за највећег научника 20. века, заслужан је за полагање темеља концепту „машине која може да мисли.“ Он се суочавао с критикама и потребом за емпиријским доказима овог концепта делом кроз стварање [Тјуринговог теста](https://www.bbc.com/news/technology-18475646), који ћете проучавати у нашим лекцијама о обради природног језика.
---
---
## 1956: Летњи истраживачки пројекат на Дартмуту
## 1956: Летњи истраживачки пројекат у Дартмуту
"Летњи истраживачки пројекат на Дартмуту о вештачкој интелигенцији био је кључни догађај за вештачку интелигенцију као област," и овдеје скован термин 'вештачка интелигенција' ([извор](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
„Летњи истраживачки пројекат у Дартмуту о вештачкој интелигенцији био је значајан догађај за ВИ као област,“ и баш тамоје скован термин 'вештачка интелигенција' ([извор](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Сваки аспект учења или било која друга карактеристика интелигенције може сеу принципу тако прецизно описати да се машина може направити да га симулира.
> Сваки аспект учења или било која друга особина интелигенције може у принципу бити тако прецизно описана да машина може бити направљена да то симулира.
---
---
Водећи истраживач, професор математике Џон Мекарти, надао се "да настави на основу претпоставке дасе сваки аспект учења или било која друга карактеристика интелигенције може у принципу тако прецизно описати да се машина може направити да га симулира." Учесници су укључивали још једну значајну личносту области, Марвина Минског.
Главни истраживач, професор математике Џон Меккарти, надао се „да ће се поступати на основу претпоставке да сваки аспект учења или било која друга особина интелигенције може у принципу бити тако прецизно описана да се машина може направити да то симулира.“ Учесници су укључивали још једног великанау области, Марвина Минског.
Радионица је заслужна за покретање и подстицање неколико дискусија, укључујући "успон симболичких метода, система фокусираних на ограничене домене (рани експертски системи) и дедуктивних система наспрам индуктивних система." ([извор](https://wikipedia.org/wiki/Dartmouth_workshop)).
Радеоница је препозната као покретач и охрабрење за неколико дискусија укључујући „успон симболичких метода, система усмерених на ограничене домене (рани експертски системи) и дедуктивних система у односу на индуктивне системе.“ ([извор](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
---
## 1956 - 1974: "Златне године"
## 1956 - 1974: „Златна доба“
Од 1950-их до средине '70-их, оптимизам је био висок у нади да AI може решити многе проблеме. Године 1967, Марвин Мински је самоуверено изјавио: "Унутар једне генерације ... проблем стварања 'вештачке интелигенције' ће бити суштински решен." (Мински, Марвин (1967), Рачунање: Коначне и бесконачне машине, Енглвуд Клифс, Њ.: Прентис-Хол)
Од 1950-их до средине '70-их, оптимизам је био велик у нади да ће ВИ решити многе проблеме. 1967. године Марвин Мински је сигурно изјавио да „унутар једне генерације... проблем стварања 'вештачке интелигенције' биће у великој мери решен.“ (Мински, Марвин (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Истраживање обраде природног језика јепроцветало, претрага је усавршена и постала моћнија, а концепт 'микро-светова' је створен, где су једноставни задаци извршавани користећи упутства на обичном језику.
Истраживање обраде природног језика јецветао, претрага је унапређена и постала моћнија, а концепт „микро-светова“ је креиран, где су једноставни задаци извршавани коришћењем језичких упута.
---
---
Истраживањеје било добро финансирано од стране владиних агенција, постигнут је напредак у рачунарству и алгоритмима, а прототипови интелигентних машина су изграђени. Неке од ових машина укључују:
Истраживањасу била добро финансирана од стране владиних агенција, направљени су напредци у рачунању и алгоритмима, а прототипови интелигентних машина су изграђени. Неке од ових машина укључују:
* [Шејки робот](https://wikipedia.org/wiki/Shakey_the_robot), који је могао да се креће и одлучује како да обавља задатке 'интелигентно'.
* [Shakey робота](https://wikipedia.org/wiki/Shakey_the_robot), који је могао да се креће и одлучује како да изврши задаци „интелигентно“.
* Елиза, рани 'четбот', могла је да разговара са људима и делује као примитивни 'терапеут'. Више о Елизи ћете научити у лекцијама о обради природног језика.
* Елиза, рани „чатбот“, могла је да разговара са људима и да делује као примитивни „терапеут“. Више ћете сазнати о Елизи у лекцијама о обради природног језика.
* "Свет блокова" био је пример микро-света где су блокови могли бити сложени и сортирани, а експерименти у учењу машина да доносе одлуке могли су бити тестирани. Напредак изграђен уз библиотеке као што је [SHRDLU](https://wikipedia.org/wiki/SHRDLU) помогао једа се обрада језика унапреди.
* „Свет блокова“ био је пример микро-света где су блокови могли да се слажу и сортирају, а експерименти у учењу машина да праве одлуке могли су да се тестирају. Напредак изграђен са библиотекама као што је [SHRDLU](https://wikipedia.org/wiki/SHRDLU) помогао јеунапређење обраде језика.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "Свет блокова са SHRDLU")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "свет блокова са SHRDLU")
> 🎥 Кликните на слику изнад за видео: Свет блокова са SHRDLU
> 🎥 Кликните на слику изнад за видео: Свет блокова са SHRDLU
---
---
## 1974 - 1980: "Зима AI"
## 1974 - 1980: „Зима ВИ“
До средине 1970-их, постало је очигледно да је сложеност стварања 'интелигентних машина' била потцењена и да је њено обећање, с обзиром на доступну рачунарску моћ, било преувеличано. Финансирање је пресушило, а поверење у област је опало. Неки од проблема који су утицали на поверење укључују:
Средином 1970-их постало је јасно да је сложеност прављења „интелигентних машина“ потцењена и да је обећање, с обзиром на расположиву рачунску снагу, било прецењено. Финансирање је пресушило и поверење у област се успорило. Нека питања која су утицала на поверење укључују:
---
---
- **Ограничења**. Рачунарска моћје била сувише ограничена.
- **Ограничења**. Рачунска снагаје била сувише ограничена.
- **Комбинаторна експлозија**. Количина параметара које је требало обучити је експоненцијално расла како се више захтевало од рачунара, без паралелне еволуције рачунарске моћи и способности.
- **Комбинаторна експлозија**. Број параметара које је требало тренирати растао је експоненцијално како су од рачунара захтевани сложенији задаци, без паралелне еволуције рачунске снаге и капацитета.
- **Недостатак података**. Недостатак података јеометао процес тестирања, развоја и усавршавања алгоритама.
- **Недостатак података**. Недостатак података јеотежавао процес тестирања, развоја и усавршавања алгоритама.
- **Да ли постављамо права питања?**. Саме постављене питања супочеле да се доводе у питање. Истраживачи су почели да се суочавају са критикамао својим приступима:
- **Да ли постављамо права питања?**. Саме постављене питања сузапочела сумњу. Истраживачи су почели да примају критикео својим приступима:
- Тјурингов тест је доведен у питање, између осталог, кроз теорију 'кинеске собе' која је поставила да, "програмирање дигиталног рачунара може учинити да изгледа као да разуме језик, али не може произвести стварно разумевање." ([извор](https://plato.stanford.edu/entries/chinese-room/))
- Тјурингови тестови су доведени у питање, између осталог, теоријом „кинеске собе“ која је тврдилa да „програмирање дигиталног рачунара може учинити да изгледа као да разуме језик, али не може произвести стварно разумевање.“ ([извор](https://plato.stanford.edu/entries/chinese-room/))
- Етика увођења вештачке интелигенције као што је "терапеут" Елиза у друштво је изазвала расправе.
- Изазвани су етички изазови увођења вештачких интелигенција као што је „терапеут“ ЕЛИЗА у друштво.
---
---
Истовремено, различите школе мишљења о AI су почеле да се формирају. Успостављена је дихотомија између ["неуредног" и "уредног AI"](https://wikipedia.org/wiki/Neats_and_scruffies) приступа. _Неуредне_ лабораторије су сатима прилагођавале програме док нису добиле жељене резултате. _Уредне_ лабораторије сусе "фокусирале на логику и формално решавање проблема". Елиза и SHRDLU су били познати _неуредни_ системи. У 1980-им, како је потражња за репродуктивним системима машинског учења расла, _уредни_ приступ је постепено преузео примат јерсу његови резултати били објашњивији.
У исто време, формирале сусе различите школе мишљења у вези са ВИ. Успостављена је дихотомија између пракси ["неуредна" и "уредна ВИ"](https://wikipedia.org/wiki/Neats_and_scruffies). _Неуредни_ лабораторији су сати уређивали програме док нису добили жељене резултате. _Уредне_ лабораторије сусе „фокусирале на логику и формално решавање проблема“. ЕЛИЗА и SHRDLU су били добро познати _неуредни_ системи. Током 1980-их, како је захтев за репродуцирањем МУ система растао, _уредни_ приступ је постепено преузимао примат јерсу његови резултати биле јасније објашњиви.
---
---
## 1980-те Експертски системи
## 1980-те: Експертски системи
Како је област расла, њена корист за пословање постала је јаснија, а 1980-их је дошло до ширења 'експертских система'. "Експертски системи су били међу првим заиста успешним облицима софтвера за вештачку интелигенцију (AI)." ([извор](https://wikipedia.org/wiki/Expert_system)).
Како је област расло, корист за пословање је постала јаснија, а током 1980-их и ширење „експертских система“. „Експертски системи били су међу првим стварно успешним облицима софтвера вештачке интелигенције (ВИ).“ ([извор](https://wikipedia.org/wiki/Expert_system)).
Овај тип система је заправо _хибридан_, делимично се састоји од правила која дефинишу пословне захтеве и мотора за закључивање који користи систем правила за извођење нових чињеница.
Овај тип система је заправо _хибридан_, састоји се делимично од правила пословне логике и инферентног механизма који користи ова правила за извођење нових закључака.
Овај период је такође видео повећану пажњу посвећену неуронским мрежама.
У овом периоду је такође повећана пажња на неуралне мреже.
---
---
## 1987 - 1993: AI 'Хладноћа'
## 1987 - 1993: „Охлађење“ ВИ
Ширење специјализованог хардвера за експертске системе имало је несрећан ефекат да постане превише специјализовано. Појава персоналних рачунара такође је конкурисала овим великим, специјализованим, централизованим системима. Демократизација рачунарства је почела, и на крају јеотворила пут за савремени експлозију великих података.
Ширење специјализованог хардвера за експертске системе имало је несрећан ефекат сувише велике специјализације. Појавом персоналних рачунара почела је конкуренција великим, специјализованим, централизованим системима. Демократизација рачунарства језапочела и на крају отворила пут за модерни експлозију великих података.
---
---
## 1993 - 2011
## 1993 - 2011
Овај период је донео нову еру за машинско учење и AI да реше неке од проблема који су раније били узроковани недостатком података и рачунарске моћи. Количина података је почела брзо да расте и постала је доступнија, на добро и на зло, посебно са појавом паметних телефона око 2007. године. Рачунарска моћ је експоненцијално расла, а алгоритми сусе развијали упоредо. Област је почела да добија зрелост како сусе слободни дани прошлости кристализовалиу праву дисциплину.
Ова епоха је донела нову фазу у којој суМУ и ВИ могли да реше неке од раније насталих проблема због недостатка података и рачунске снаге. Количина података почела је брзо да расте и постаје доступнија, на боље и лоше, посебно уз појаву паметних телефона око 2007. Рачунска снага експоненцијално је расла, а алгоритми сусе развијали уз њу. Област је почела да сазрева како су рани, неформални дани почели да се кристалишуу праву дисциплину.
---
---
## Сада
## Сада
Данас машинско учење и AI додирују скоро сваки део наших живота. Овај период захтева пажљиво разумевање ризика и потенцијалних ефеката ових алгоритама на људске животе. Како је изјавио Бред Смит из Мајкрософта: "Информациона технологија поставља питања која се тичу суштинских људских права као што су приватност и слобода изражавања. Ова питања повећавају одговорност технолошких компанија које стварају ове производе. По нашем мишљењу, она такође захтевају промишљену регулацију владе и развој норми о прихватљивим употребама" ([извор](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Данас машинско учење и вештачка интелигенција додирују скоро све аспекте наших живота. Ова ера захтева пажљиво разумевање ризика и потенцијалних утицаја ових алгоритама на људске животе. Како је изјавио Брад Смит из Мајкрософта, „Информационе технологије постављају питања која дотичу основна права као што су приватност и слобода изражавања. Та питања повећавају одговорност технолошких компанија које стварају ове производе. По нашем мишљењу, такође позивају на промишљену регулативу владе и развој норми о прихватљивим коришћењима“ ([извор](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
---
Остаје да се види шта будућност доноси, али јеважно разумети ове рачунарске системе и софтвер и алгоритме које они покрећу. Надамо се да ће вам овај курикулум помоћи да боље разумете како бисте могли сами да донесете одлуке.
Остаје да се види шта будућност доноси, али важноје разумети ове рачунарске системе и софтвер и алгоритме који их покрећу. Надамо се да ће овај курикулум помоћи да стекнете боље разумевање како бисте сами могли да донесете одлуку.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "Историја дубоког учења")
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "Историја дубоког учења")
> 🎥 Кликните на слику изнад за видео: Јан Лекун говори о историји дубоког учења у овом предавању
> 🎥 Кликните на слику изнад за видео: Јан ЛеКун говори о историји дубоког учења у овој лекцији
---
---
## 🚀Изазов
## 🚀Изазов
Истражите један од ових историјских тренутака и сазнајте више о људима који стоје иза њих. Постоје фасцинантни карактери, и ниједно научно откриће није настало у културном вакууму. Шта откривате?
Упустите сеу неки од ових историјских тренутака и сазнајте више о људима иза њих. Постоје фасцинантне личности, а ниједно научно откриће није настало у културном вакууму. Шта откривате?
## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ml/)
[Овај подкаст где Ејми Бојд говори о еволуцији AI](http://runasradio.com/Shows/Show/739)
[Овај подкаст у коме Ејми Бојд разматра еволуцију ВИ](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Историја AI од Ејми Бојд")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Историја ВИ од Ејми Бојд")
---
---
## Задатак
## Задатак
[Направите временску линију](assignment.md)
[Креирајте временску линију](assignment.md)
---
---
**Одрицање од одговорности**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако тежимо тачности, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква неспоразумевања или погрешна тумачења која могу произаћи из коришћења овог превода.
**Изјава о одрицању одговорности**:
Овај документ је преведен коришћењем услуге за аутоматски превод [Co-op Translator](https://github.com/Azure/co-op-translator). Иако тежимо тачности, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.
У овом курикулуму почећете да откривате како машинско учење може и утиче на наше свакодневне животе. Већ сада, системи и модели учествују у свакодневним задацима доношења одлука, као што су дијагнозе у здравству, одобрења за кредите или откривање превара. Због тога је важно да ти модели добро функционишу како би обезбедили резултате којима се може веровати. Као и било која софтверска апликација, AI системи могу испасти испод очекивања или имати непожељан исход. Зато је суштински важно бити у стању да разумемо и објаснимо понашање AI модела.
У овом курикулуму ћете почети да откривате како машинско учење може и како утиче на наше свакодневне животе. Чак и сада, системи и модели су укључени у свакодневне задатке доношења одлука, као што су медицинске дијагнозе, одобрења кредита или откривање преваре. Због тога је важно да ти модели добро функционишу како би пружили резултате којима се може веровати. Баш као и сваки софтверски апликација, AI системи могу испасти испод очекивања или имати непожељне последице. Зато је кључно разумети и објаснити понашање AI модела.
Замислите шта се може десити када подаци које користите за прављење ових модела недостају одређене демографије, као што сураса, пол, политички став, религија или када непропорционално представљају те демографије. Шта ако се резултат модела тумачи тако да фаворизује неку демографску групу? Којаје последица за апликацију? Поред тога, шта се дешава када модел има неповољан исход и штети људима? Које одговоран за понашање AI система? Ово су нека од питања која ћемо истражити у овом курсу.
Замислите шта се може догодити када подаци које користите за изградњу ових модела недостају одређене демографске групе, као што сураса, пол, политички став, религија, или када те демографије нису пропорционално заступљене. Шта јеса тим када се излаз модела тумачи у корист неке демографске групе? Којесу последице по апликацију? Поред тога, шта се дешава када модел има штетан исход који је опасан за људе? Које одговоран за понашање AI система? Ово су нека од питања која ћемо истражити у овом курикулуму.
У овом часу ћете:
У овој лекцији ћете:
- Подићи свест означају правде у машинском учењу и штетама повезаним са неправдом.
- Подићи свест оважности праведности у машинском учењу и штетама везаним за неправедност.
- Упознати сеса праксом испитивања одступања и необичних сценарија ради осигурања поузданости и безбедности.
- Упознати сеса праксом испитивања уочених и необичних сценарија како би се обезбедила поузданост и безбедност.
- Степеновати разумевање о потреби оснаживања свих дизајнирањем инклузивних система.
- Стекнути разумевање о потреби да сви буду оснажени дизајнирањем инклузивних система.
- Истражити колико је важно заштитити приватност и безбедност података и људи.
- Истражити колико је важно штитити приватност и безбедност података и људи.
- Увидети значај приступа "прозирне кутије" за објашњење понашања AI модела.
- Видети важност приступа "прозирне кутије" за објашњење понашања AI модела.
- Бити свестан колико је одговорност важна за изградњу поверења у AI системе.
- Обратити пажњу на то како је одговорност есенцијална за изградњу поверења у AI системе.
## Предзнање
## Предуслови
Као предуслов, молимо вас да прођете „Принципе одговорног AI-ја“ преко Learn Path-а и погледате видео испод о теми:
Као предуслов, молимо вас да прођете „Принципе одговорне вештачке интелигенције“ кроз Learning Path и погледате видео испод на ову тему:
Сазнајте више оОдговорном AI-ју пратећи овај [Learn Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Сазнајте више оодговорној вештачкој интелигенцији пратећи овај [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
> 🎥 Кликните на слику горе за видео: Приступ Microsoft-a одговорном AI-ју
> 🎥 Кликните на горњу слику за видео: Microsoft's Approach to Responsible AI
## Праведност
## Праведност
AI системи треба да све третирају праведно и избегавају да утичу на сличне групе људи на различите начине. На пример, када AI системи дају смернице о медицинском лечењу, захтевима за кредитима или запошљавању, они треба да дају исте препоруке свима са сличним симптомима, финансијским околностима или професионалним квалификацијама. Сваки од нас као човек носи заједничке предрасуде које утичу на наше одлуке и поступке. Ове предрасуде могу бити видљиве у подацима које користимо за тренирање AI система. Таква манипулација понекад се догађа ненамерно. Често је тешко свесно знати када уводите пристрасност у податке.
AI системи треба да поступају праведно према свима и избегавају да утичу различито на сличне групе људи. На пример, када AI системи пружају смернице о медицинском лечењу, захтевима за кредитом или запошљавању, требало би да препоручују исте поступке свима са сличним симптомима, финансијским околностима или професионалним квалификацијама. Сваки од нас као човек носи у себи урођене предрасуде које утичу на наше одлуке и поступке. Ове предрасуде могу бити видљиве у подацима које користимо за обуку AI система. Таква манипулација понекад може бити ненамерна. Често је тешко свесно знати када уносите пристрасност у податке.
**„Неправедност“** обухвата негативне утицаје или „штете“ за групу људи, као што су оне дефинисане у смислу расе, пола, старости или инвалидитета. Главне штете повезане са правдом могу се класификовати као:
**„Неправедност“** обухвата негативне ефекте или „штете“ по групу људи, као што су оне дефинисане у смислу расе, пола, старости или стања инвалидитета. Главне штете везане за праведност могу се класификовати као:
- **Расподела**, ако се, на пример, фаворизује пол или етницитет у односу на друге.
- **Додела**, ако се пола или етничка припадност, на пример, фаворизују у односу на други.
- **Квалитет услуге**. Ако тренирате податке за одређени сценарио, а стварност је много сложенија, то доводи до лоших перформанси услуге. На пример, диспенсер за сапун који није могао да препозна људе са тамнијом кожом. [Референца](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Квалитет услуге**. Ако обучавате податке за један специфичан сценарио, али је стварност много сложенија, то доводи до лоше функционишуће услуге. На пример, диспенсер за сапун који није могао да препозна људе са тамном кожом. [Референца](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Понижавање**. Неправедно критиковање и етикетирање нечега или некога. На пример, технологија за означавање слика је погрешно означавала слике тамнопутих људи као гориле.
- **Понижавање**. Неправедно критиковање и означавање нечега или некога. На пример, технологија за означавање слика погрешно је означила слике људи тамне коже као гориле.
- **Прекомерна или недовољна заступљеност**. Идеја је да одређена група није видљива у одређеним професијама, а свака услуга или функција која то наставља да промовише доприноси штети.
- **Прекомерно или недовољно заступање**. Идеја је да одређена група није видљива у одређеној професији, а свака услуга или функција која то наставља да промовише доприноси штети.
- **Стереотипизација**. Повезивање одређене групе са унапред додељеним особинама. На пример, систем за превођење између енглеског и турског може имати нетачности због речи које имају стереотипне асоцијације са полом.
- **Стереотипизација**. Повезивање одређене групе са унапред додељеним особинама. На пример, систем за превод језика између енглеског и турског може имати нетачности због речи које имају стереотипне асоцијације са полом.
> превод на турски
> превод на турски
> повратни превод на енглески
> превод назад на енглески
При дизајнирању и тестирању AI система, требало би да обезбедимо да је AI праведан и да није програмиран да доноси пристрасне или дискриминаторске одлуке, што је и људима забрањено. Обезбеђивање правдеу AI и машинском учењу остаје сложен социотехнички изазов.
Када дизајнирамо и тестирањем AI система, морамо осигурати да AI буде праведан и да није програмиран да доноси пристрасне или дискриминаторне одлуке, што је и људима забрањено. Гарантовање праведностиу AI и машинском учењу остаје сложен социотехнички изазов.
### Поузданост и безбедност
### Поузданост и безбедност
Да би се изградило поверење, AI системи морају бити поуздани, безбедни и доследни у нормалним и неочекиваним условима. Важно је знати како ће се AI системи понашати у различитим ситуацијама, посебно када суу питању одступања. При прављењу AI решења, мора се посветити значајна пажња како се носити са широким спектром околности са којима се AI решења могу сусрести. На пример, аутономни аутомобил мора ставити безбедност људи на прво место. Као резултат тога, AI који покреће аутомобил мора узети у обзир све могуће сценарије са којима се возило може суочити, као што су ноћ, олује или снежне мећаве, деца која трче преко улице, кућни љубимци, радови на путу итд. Колико добро AI систем може поуздано и сигурно да се носи са широким спектром услова одражава ниво предвиђања који је стручњак за податке или AI развојач узео у обзир током дизајна или тестирања система.
Да би изградили поверење, AI системи морају бити поуздани, безбедни и доследни у нормалним и неочекиваним условима. Важно је знати како ће се AI системи понашати у разним ситуацијама, посебно када суу питању изузеци. При прављењу AI решења мора се посветити значајна пажња томе како се носити са широким спектром околности на које AI решења могу наићи. На пример, самовозећи аутомобил мора ставити безбедност људи на прво место. Као резултат, AI који управља аутомобилом мора размотрити све могуће сценарије са којима може да се сусретне, као што су ноћ, олује или бурићи, деца која трче преко пута, кућни љубимци, путне радове итд. Колико добро AI систем може поуздано и безбедно да се носи са таквим условима одражава степен предвиђања који је стручњак за податке или AI програмер имао током дизајна или тестирања система.
> [🎥 Кликните овде за видео: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Кликните овде за видео: Поузданост и безбедност у AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Инклузивност
### Инклузивност
AI системи треба да буду дизајнирани да укључе и оснаже све људе. При дизајнирању и имплементацији AI система, стручњаци за податке и AI развојачи идентификују и уклањају потенцијалне препреке у систему које непланирано могу искључити људе. На пример, у свету има милијарду људиса инвалидитетом. Са напретком уAI-ју, они могу лакше приступити широком спектру информација и прилика у свакодневном животу. Уклањањем препрека стварају се могућности за иновације и развој AI производа са бољим искуствима која користе свима.
AI системи треба да буду дизајнирани тако да укључе и оснаже све. При дизајнирању и имплементацији AI система, стручњаци за податке и AI развојни инжењери идентификују и решавају потенцијалне баријере у систему које могу ненамерно искључити људе. На пример, у свету постоји 1 милијарда особаса инвалидитетом. Са напретком AI, они могу лакше приступити широком спектру информација и прилика у свакодневном животу. Решавањем тих баријера, стварају се могућности за иновације и развој AI производа са бољим искуствима која користе свима.
> [🎥 Кликните овде за видео: инклузивност у AI-ју](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Кликните овде за видео: Инклузивност у AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Безбедност и приватност
### Безбедност и приватност
AI системи треба да буду безбедни и да поштују приватност људи. Људи имају мање поверења у системе који стављају њихову приватност, информације или животе у ризик. При тренирању модела машинског учења ослањамо се на податке да произведемо најбоље резултате. При томе морамо узети у обзир порекло података и њихов интегритет. На пример, да ли су подаци унели корисници или су јавно доступни? Даље, приликом рада са подацима, кључно је развити AI системе који могу заштитити поверљиве информације и одољети нападима. Како AI постаје све заступљенији, заштита приватности и обезбеђивање важних личних и пословних информација постају све критичнији и сложенији. Питања приватности и безбедности података захтевају посебну пажњу у AI-јујерје приступ подацима неопходан за то да AI системи праве прецизне и добро информисане предикције и одлуке о људима.
AI системи треба да буду безбедни и да поштују приватност људи. Људи имају мање поверења у системе који угрожавају њихову приватност, информације или животе. Када обучавамо моделе машинског учења, ослањамо се на податке да бисмо постигли најбоље резултате. При томе је важно узети у обзир порекло података и њихов интегритет. На пример, да ли су подаци достављени од корисника или су јавни? Затим, током рада са подацима, кључно је развити AI системе који могу заштитити поверљиве информације и одолети нападима. Како AI постаје све распрострањенији, заштита приватности и обезбеђење важних личних и пословних информација постаје све важнија и сложенија. Питања приватности и безбедности података захтевају посебну пажњу у AIјерје приступ подацима суштински за AI системе да би направили тачна и информисана предвиђања и одлуке о људима.
> [🎥 Кликните овде за видео: безбедност у AI-ју](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Кликните овде за видео: Безбедност у AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Као индустрија, направили смо значајан напредак у области приватности и безбедности, подстакнут регулацијама као што је GDPR (Општа уредба о заштити података).
- Као индустрија смо остварили значајан напредак у области приватности и безбедности, нарочито захваљујући регулативама као што је GDPR (Општа уредба о заштити података).
- Међутим, код AI система морамо признати тензију између потребе за више личних података како би системи били персонализованији и ефикаснији– и приватности.
- Ипак, са AI системима морамо признати тензију између потребе за више личних података ради личнијих и ефикаснијих система– и приватности.
- Као и са рађањем повезаних рачунара са интернетом, такође се бележи велики пораст безбедносних проблема повезаних са AI-јем.
- Баш као са рођењем повезаних рачунара са интернетом, такође видимо огроман пораст питања безбедности везаних за AI.
- Истовремено смо видели да се AI употребљава за побољшање безбедности. На пример, већина модерних антивирусних скенера данас користи AI хеуристике.
- Истовремено, видели смо да AI помаже у побољшању безбедности. На пример, већина савремених антивирусних скенера данас користи AI хеуристику.
- Морамо осигурати да наши процеси Data Science хармонично спајају најновије праксе у области приватности и безбедности.
- Морамо осигурати да наши процеси Data Science-а хармонично интегришу најновије праксе у области приватности и безбедности.
### Транспарентност
### Транспарентност
AI системи треба да буду разумљиви. Кључни део транспарентности је објашњавање понашања AI система и њихових компоненти. Побољшање разумевања AI система захтева да заинтересоване стране разумеју како и зашто функционишу тако да могу идентификовати потенцијалне проблеме у перформансама, безбедносне и приватносне забринутости, пристрасности, искључиве праксе или нежељене исходе. Такође верујемо да они који користе AI системе треба да буду искрени и отворени о томе када, зашто и како их бирају да примене. Као и о ограничењима система које користе. На пример, ако банка користи AI систем за подршку у одлучивању о потрошачким кредитима, важно је испитати исходе и разумети који подаци утичу на препоруке система. Владе почињу да регулишу AI у различитим индустријама, па стручњаци за податке и организације морају објаснити да ли AI систем испуњава регулаторне захтеве, посебно када постоји непожељан исход.
AI системи треба да буду разумљиви. Кључни део транспарентности је објашњавање понашања AI система и њихових компонената. Побољшање разумевања AI система захтева да заинтересоване стране схвате како и зашто они функционишу, како би могли да идентификују потенцијалне проблеме у перформансама, безбедносне и приватне бриге, пристрасности, искључивајуће праксе или нежељене последице. Такође верујемо да они који користе AI системе треба да буду искрени и отворени о томе када, зашто и како их користе, као и о ограничењима тих система. На пример, ако банка користи AI систем који подржава одлуке о потрошачким кредитима, важно је испитати резултате и разумети који подаци утичу на препоруке система. Владе почињу да регулишу AI у различитим индустријама, тако да стручњаци за податке и организације морају објаснити да ли AI систем испуњава регулаторне захтеве, посебно када постоји непожељан исход.
> [🎥 Кликните овде за видео: транспарентност у AI-ју](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Кликните овде за видео: Транспарентност у AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Пошто су AI системи веома сложени, тешко је разумети како функционишу и тумачити резултате.
- Пошто су AI системи веома сложени, тешко је разумети како раде и тумачити резултате.
- Овај недостатак разумевања утиче на начин на који се ти системи управљају, оперативно изводе и документују.
- Овај недостатак разумевања утиче на начин на који се ти системи управљају, оперативизују и документују.
- Овај недостаци у разумевању највише утиче на одлуке донете на основу резултата које ти системи производе.
- Још важније, овај недостатак разумевања утиче на одлуке донесене на основу резултата које ти системи производе.
### Одговорност
### Одговорност
Људи који дизајнирају и примењују AI системе морају бити одговорни за то како њихови системи функционишу. Потреба за одговорношћу је посебно важна код осетљивих технологија као што је препознавање лица. Недавно, забележена је растућа потражња за технологијом препознавања лица, нарочито од организација за спровођење закона које виде потенцијал технологије за примене као што је проналажење нестале деце. Међутим, те технологије би могле потенцијално бити коришћене од стране владе за угрозу основних слобода грађана, на пример, омогућавајући континуирани надзор одређених појединаца. Стога стручњаци за податке и организације морају бити одговорни за то како њихов AI систем утиче на појединце или друштво.
Људи који дизајнирају и имплементирају AI системе морају бити одговорни за то како њихови системи функционишу. Потреба за одговорношћу је посебно важна код осетљивих технологија као што је препознавање лица. У последње време постоји све већа потражња за технологијом препознавања лица, посебно од страна органа реда који виде потенцијал технологије у коришћењу као што је проналажење нестале деце. Међутим, ове технологије би могле потенцијално бити искоришћене од стране владе да угроже основне слободе својих грађана, на пример, омогућавајући стални надзор одређених појединаца. Зато стручњаци за податке и организације морају бити одговорни за то како њихов AI систем утиче на појединце или друштво.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
> 🎥 Кликните на слику горе за видео: Упозорења о масовном надзору преко препознавања лица
> 🎥 Кликните на слику изнад за видео: Упозорења о масовном надзору путем препознавања лица
На крају, једно од највећих питања за нашу генерацију, као прву генерацију која уводи AI у друштво, јесте како обезбедити да рачунари остану одговорни људима и како обезбедити да људи који дизајнирају рачунаре остану одговорни свима осталима.
На крају, једно од највећих питања за нашу генерацију, као прву генерацију која уводи AI у друштво, је како осигурати да рачунари остану одговорни људима и како осигурати да људи који дизајнирају рачунаре остану одговорни према свима осталима.
## Процена утицаја
## Процена утицаја
Пре тренирања модела машинског учења, важно је спровести процену утицаја да бисте разумели сврху AI система; која је намењена употреба; где ће бити премештен; и ко ће комуницирати са системом. Ово је корисно за рецензенте или тестере који оцењују систем да знају које факторе треба узети у обзир при идентификовању потенцијалних ризика и очекиваних последица.
Пре тренинга модела машинског учења, важно је извршити процену утицаја да би се разумела сврха AI система; која је намењена употреба; где ће бити примењен; и ко ће га користити. Ово је корисно рецензентима или тестерима који процењују систем да знају на које факторе да обрате пажњу при идентификовању потенцијалних ризика и очекиваних последица.
Следећасу подручја фокусирања при извођењу процене утицаја:
Следећи су области фокуса приликом извођења процене утицаја:
* **Негативан утицај на појединце**. Будите свесни било каквих ограничења или захтева, неприкладне употребе или познатих ограничења која коче перформансе система, што је важно да се осигура да систем неће бити употребљен на начин који може нанети штету појединцима.
* **Негативан утицај на појединце**. Бити свестан свих ограничења или захтева, несупротстављене употребе или познатих ограничења која ометају перформансе система је витално да се обезбеди да систем не буде коришћен на начин који може наудити појединцима.
* **Захтеви за податке**. Разумевање како и где ће систем користити податке омогућава рецензентима да испитају све захтеве за податке о којима треба водити рачуна (нпр., GDPR или HIPAA регулативе о подацима). Такође, проверите да ли су извор или количина података довољни за тренирање.
* **Захтеви за податке**. Разумевање како и где ће систем користити податке омогућава рецензентима да испитају било какве захтеве за податке (нпр. GDPR или HIPAA регулисање података). Поред тога, проверавати да ли је извор или количина података довољна за обуку.
* **Сажетак утицаја**. Прикупите листу потенцијалних штета које могу настати коришћењем система. Током целог ML животног циклуса прегледајте да ли су идентификовани проблеми ублажени или решени.
* **Резиме утицаја**. Прикупити листу потенцијалних штетних ефеката који могу настати употребом система. Током ML животног циклуса, прегледати да ли су идентификовани проблеми ублажени или решени.
* **Примениљиви циљеви** за сваких шест основних принципа. Процените да ли су циљеви сваког од принципа постигнути и да ли постоје било какви недостаци.
* **Примeњиви циљеви** за сваки од шест основних принципа. Проценити да ли су циљеви сваког принципа испуњени и да ли постоје празнине.
## Отклањање грешака уз одговорни AI
## Отстрањивање грешака са одговорном вештачком интелигенцијом
Слично као и отклањање грешака у софтверској апликацији, отклањање грешака у AI систему је нужан процес идентификовања и решавања проблема у систему. Постоји много фактора који могу утицати на то да модел не функционише према очекивањима или одговорно. Већина традиционалних метрика перформанси модела су квантитативна агрегатна мера укупних перформанси модела, што није довољно за анализу како модел крши принципе одговорног AI-ја. Штавише, модел машинског учења је црна кутија која отежава разумевање шта покреће његов исход или пружање објашњења када направи грешку. Касније у овом курсу научићемо како користити Одговорни AI контролни панел за помоћ при отклањању грешака у AI системима. Контролни панел пружа холистички алат за стручњаке за податке и AI развојаче да изврше:
Слично као код отстрањивања грешака у софтверској апликацији, отстрањивање грешака у AI систему је неопходан процес идентификовања и решавања проблема у систему. Постоји много фактора који могу утицати да модел не функционише како се очекује или одговорно. Већина традиционалних метрика перформанси модела су квантитативни агрегати перформанси модела, који нису довољни за анализу како модел крши принципе одговорне AI. Поред тога, модел машинског учења је црна кутија која отежава разумевање шта покреће његов исход или пружање објашњења када направи грешку. Касније у овом курсу ћемо научити како користити Responsible AI контролну таблу да помогнете у отстрањивању грешака AI система. Контролна табла пружа холистички алат за стручњаке за податке и AI програмере да обављају:
* **Анализу грешака**. Да идентификују расподелу грешака у моделу која може утицати на праведност или поузданост система.
* **Анализу грешака**. Да би се открила дистрибуција грешака модела која може утицати на праведност или поузданост система.
* **Преглед модела**. Да открију где постоје разлике у перформансама модела по кохортама података.
* **Преглед модела**. Да се открије где постоје разлике у перформансама модела преко различитих група података.
* **Анализу података**. Да разумеју расподелу података и идентификују потенцијалну пристрасност која може довести до проблема са праведношћу, инклузивношћу и поузданошћу.
* **Анализу података**. Да би се разумела дистрибуција података и идентификовала било каква потенцијална пристрасност у подацима која може довести до проблема праведности, инклузивности и поузданости.
* **Интерпретабилност модела**. Да разумеју шта утиче на предвиђања модела. Ово помаже у објашњењу понашања модела, што је важно за транспарентност и одговорност.
* **Интерпретабилност модела**. Да би се разумело шта утиче или обликује предвиђања модела. Ово помаже у објашњењу понашања модела, што је важно за транспарентност и одговорност.
## 🚀 Изазов
## 🚀 Изазов
Да бисмо спречили увођење штета у првом реду, требало би да:
Да бисмо спречили уношење штета од почетка, требало би:
- имамо разноликост порекла и перспектива међу људима који раде на системима
- имати разноликост позадина и перспектива међу људима који раде на системима
- улажемо у скупе података које одражавају разноликост нашег друштва
- улагати у скуп података који одражавају разноликост нашег друштва
- развијамо боље методе кроз цео животни циклус машинског учења за откривање и исправљање одговорног AI-ја кадасе појави
- развити боље методе током целог животног циклуса машинског учења за откривање и исправљање неодговорне AI кадсе појави
Размислите о стварним животним ситуацијама где је непоузданост модела очигледна у изградњи и коришћењу модела. Шта још треба узети у обзир?
Размислите о стварним сценаријима у којима је непоузданост модела очигледна у изградњи и употреби модела. Шта још треба узети у обзир?
## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ml/)
У овој лекцији сте научили основне појмове праведности и неправедности у машинском учењу.
У овој лекцији сте научили неке основе концепата правичности и неправичности у машинском учењу.
Погледајте овај радионицу да бисте дубље спознали теме:
Погледајте овај радионички програм да дубље знате о темама:
- У потрази за одговорном вештачком интелигенцијом: Преношење принципа у праксу од Бесмире Нуши, Мехрнуш Самеки и Амита Шарме
- У потрази за одговорном AI: Примена принципа у пракси од стране Besmira Nushi, Mehrnoosh Sameki и Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Отворена рамка за изградњу одговорног AI")
> 🎥 Кликните на слику изнад за видео: RAI Toolbox: Отворени оквир за изградњу одговорне вештачке интелигенције од Бесмире Нуши, Мехрнуш Самеки и Амита Шарме
> 🎥 Кликните на слику изнад за видео: RAI Toolbox: Отворена рамка за изградњу одговорног AI од Бесмире Нуши, Мехрнуш Самеки и Амита Шарме
Такође прочитајте:
Такође, прочитајте:
- Microsoft-ов центар ресурса за одговорну вештачку интелигенцију: [Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoft-ов центар ресурса за RAI: [Одговорни AI ресурси– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoft-ова FATE истраживачка група: [FATE: Правичност, одговорност, транспарентност и етика у AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Microsoft-ова FATE истраживачка група: [FATE: Праведност, одговорност, транспарентност и етика у AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
RAI Toolbox:
- [GitHub репозиторијум Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox)
- [GitHub репозиторијум за Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox)
Прочитајте о алатима Azure Machine Learning за обезбеђивање правичности:
Прочитајте о алатима Azure Machine Learning-а за осигурање праведности:
> Скичнот од [Томоми Имура](https://www.twitter.com/girlie_mac)
## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ml/)
## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ml/)
> ### [Овај час је доступан и у R-у!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Овај лекција је доступна у R језику!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Увод
## Увод
У ова четири часа ћете открити како да градите регресионе моделе. Ускоро ћемо разговарати чему они служе. Али пре него што започнете било шта, уверите се да имате исправне алате спремне за почетак процеса!
У ових четири лекције научићете како да правите регресионе моделе. Ускоро ћемо расправљати чему они служе. Али пре него што било шта урадите, уверите се да имате исправне алате да започнете процес!
У овом часу ћете научити како да:
У овој лекцији научићете како да:
- Конфигуришете свој рачунар за локалне задатке машинског учења.
- Конфигуришете свој рачунар за локалне задатке машинског учења.
- Радите са Јупитер бележницама.
- Радите са Јупитер ноутбуцима.
- Користите Scikit-learn, укључујући инсталацију.
- Користите Scikit-learn, укључујући инсталацију.
- Истражите линеарну регресију кроз практичну вежбу.
- Истражите линеарну регресију уз практичну вежбу.
## Инсталације и конфигурације
## Инсталације и конфигурације
[](https://youtu.be/-DfeD2k2Kj0 "ML за почетнике - Подесите алате спремне за изградњу модела машинског учења")
[](https://youtu.be/-DfeD2k2Kj0 "ML за почетнике -Подесите свој алат за креирање модела машинског учења")
> 🎥 Кликните на слику изнад за кратак видео у коме ћете видети како да конфигуришете рачунар за МЛ.
> 🎥 Кликните на слику изнад за кратак видео о томе како конфигурисати свој рачунар за машинско учење.
1. **Инсталирајте Python**. Уверите се да је [Python](https://www.python.org/downloads/) инсталиран на вашем рачунару. Python ћете користити за многе задатке унауци о подацима и машинском учењу. Већина рачунарских система већ има инсталиран Python. Такође постоје корисни [Python кодинг пакети](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) који олакшавају подешавање за неке кориснике.
1. **Инсталирајте Python**. Уверите се да је [Python](https://www.python.org/downloads/) инсталиран на вашем рачунару. Python ћете користити за многе задатке уобласти науке о подацима и машинског учења. Већина рачунарских система већ има инсталиран Python. Постоје корисни [Python кодинг пакети](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) који такође олакшавају подешавање за одређене кориснике.
Међутим, неке примене Pythona захтевају једну верзију софтвера, док друге користе другу верзију. Због тога је корисно радити у оквиру [виртуелног окружења](https://docs.python.org/3/library/venv.html).
Међутим, неке употребе Pythona захтевају различите верзије софтвера. Због тога је корисно радити унутар [виртуелног окружења](https://docs.python.org/3/library/venv.html).
2. **Инсталирајте Visual Studio Code**. Уверите се да имате Visual Studio Code инсталиран на вашем рачунару. Пратите ове инструкције да бисте [инсталирали Visual Studio Code](https://code.visualstudio.com/) за основну инсталацију. У овом курсу ћете користити Python у Visual Studio Code-у, па можда желите да се упознате са тим како да [конфигуришете Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) за Python развој.
2. **Инсталирајте Visual Studio Code**. Уверите се да имате Visual Studio Code инсталиран на вашем рачунару. Пратите упутства за [инсталацију Visual Studio Code-а](https://code.visualstudio.com/). У овом курсу ћете користити Python у Visual Studio Code-у, па можда желите да се упознате са тим како да [конфигуришете Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) за развоју Python-у.
> Уживајте у раду са Python-ом тако што ћете прорадити ову збирку [Learn модула](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Укратко се упознајте са Python-ом кроз ову збирку [Learn модула](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
>
> [](https://youtu.be/yyQM70vi7V8 "Подеси Python са Visual Studio Code")
> [](https://youtu.be/yyQM70vi7V8 "Подешавање Python-аса Visual Studio Code-ом")
>
>
> 🎥 Кликните на слику изнад за видео: коришћење Python-аунутар VS Code.
> 🎥 Кликните на слику изнад за видео: коришћење Python-ау VS Code-у.
3. **Инсталирајте Scikit-learn**, пратећи [ове инструкције](https://scikit-learn.org/stable/install.html). Пошто морате да будете сигурни да користите Python 3, препоручује секоришћење виртуелног окружења. Напомена, ако инсталирате ову библиотеку на M1 Mac компјутер, на страници везаном изнад има посебних упутстава.
3. **Инсталирајте Scikit-learn**, пратећи [ова упутства](https://scikit-learn.org/stable/install.html). Пошто морате да користите Python 3, препоручује седа користите виртуелно окружење. Ако инсталирате ову библиотеку на M1 Mac, ту су посебна упутства на страници повезаној горе.
1. **Инсталирајте Jupyter Notebook**. Биће вам потребно да [инсталирате Jupyter пакет](https://pypi.org/project/jupyter/).
1. **Инсталирајте Jupyter Notebook**. Потребно је да [инсталирате Jupyter пакет](https://pypi.org/project/jupyter/).
## Ваш ауторски ML окружење
## Ваш ML окружење за креирање
Користићете **бележнице** за развој свог Python кода и креирање модела машинског учења. Овај тип фајлаје уобичајени алат за научнике података, а може се препознати по наставку или екстензији`.ipynb`.
Користићете **ноутбуке** за развој свог Python кода и креирање модела машинског учења. Овај тип фајлова је уобичајен алат за наутичаре података и препознају се по наставку`.ipynb`.
Бележнице су интерактивно окружење које омогућава програмеру да и пише код и додаје белешке и документацију око кода, што је веома корисно за експерименталне или истраживачке пројекте.
Ноутбукови су интерактивно окружење које омогућава развојном инжењеру и да кодира и да додаје белешке и докуметацију уз код, што је корисно за експерименталне или истраживачке пројекте.
[](https://youtu.be/7E-jC8FLA2E "ML за почетнике - Подеси Jupyter бележнице за почетак изградње регресионх модела")
[](https://youtu.be/7E-jC8FLA2E "ML за почетнике - Подесите Jupyter Notebooks за почетак прављења регресионих модела")
> 🎥 Кликните на слику изнад за кратак видео који води кроз ову вежбу.
> 🎥 Кликните на слику изнад за кратак видео као вежбу.
### Вежба - рад сабележницом
### Вежба - рад саноутбуком
У овом директоријуму ћете пронаћи фајл _notebook.ipynb_.
У овом фолдеру ћете наћи фајл _notebook.ipynb_.
1. Отворите _notebook.ipynb_у Visual Studio Code-у.
1. Отворите _notebook.ipynb_у Visual Studio Code-у.
Јупитер сервер ће се покренути са Python 3+ верзијом. У бележници ћете пронаћи области које се могу `run`-овати, односно комаде кода. Код блок можете покренути тако што ћете изабрати иконицу која изгледа као дугме за репродукцију.
Јупитер сервер ће се покренути са Python 3+. У ноутбуку ћете пронаћи делове које можете да `run`-ујете, делове кода. Код можете покренути тако што ћете изабрати иконицу која изгледа као дугме за репродукцију.
1. Изаберите `md` иконицу и додајте мало markdown-а, са следећим текстом **# Добродошли у вашу бележницу**.
1. Изаберите `md` икону и додајте мало markdown-а, и следећи текст **# Добродошли у ваш ноутбук**.
Затим додајте неки Python код.
Затим додајте неки Python код.
1. Откуцајте **print('hello notebook')**у блок кода.
1. Укуцајте **print('hello notebook')**у блок кода.
1. Изаберите стрелицу да покренете код.
1. Изаберите стрелицу за покретање кода.
Требало би да видите исписану изјаву:
Требало би да видите одштампану поруку:
```output
```output
hello notebook
hello notebook
```
```
Код можете пројектирати коментарима како бисте документовали бележницу.
Можете мешати свој код са коментарима да бисте сами документовали ноутбук.
✅ Размислите на тренутак колико је радно окружење веб програмера различито у односу на окружење научника података.
✅ Размислите на минут колико се радно окружење веб програмера разликује од окружења научника за податке.
## Покретањеса Scikit-learn-ом
## Покрените сеса Scikit-learn-ом
Сада када је Python подешен у вашем локалном окружењу, и када сте удобни са Јупитер бележницама, хајде да се упознамо са Scikit-learn-ом ( изговара се`сај` као у`сајенс`). Scikit-learn пружа [обиман API](https://scikit-learn.org/stable/modules/classes.html#api-ref) који вам помаже да извршавате МЛ задатке.
Сада када је Python подешен у вашем локалном окружењу и када сте навикли на Jupyter Notebooks, хајде да се подједнако упознате са Scikit-learn-ом (изговара се`сци` као у речи`сајенс`). Scikit-learn пружа [обиман API](https://scikit-learn.org/stable/modules/classes.html#api-ref) који вам помаже у обављању задатака машинског учења.
Према њиховом [сајту](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn јеотворена библиотека за машинско учење која подржава надзирано и ненадзирано учење. Такође пружа различите алате за подешавање модела, претходну обраду података, избор модела и процену, као и многе друге корисне функције."
Према њиховом [сајту](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn је библиотека за машинско учење отвореног кода која подржава надгледано и ненадгледано учење. Такође пружа разне алате за прилагођавање модела, претпрераду података, избор и евалуацију модела и многе друге помоћне алате."
У овом курсу ћете користити Scikit-learn и друге алате за изградњу модела машинског учења за извођење онога што зовемо 'традиционални машински задаци'. Намерно смо избегли неуралне мреже и дубоко учење, јер ће они бити боље покривени у нашем предстојећем курикулуму 'AI за почетнике'.
У овом курсу користићете Scikit-learn и друге алате да бисте направили моделе машинског учења за оно што називамо 'традиционалним задацима машинског учења'. Намерно смо избегавали неуронске мреже и дубоко учење јер ће ти бити боље обухваћени у нашем предстојећем курикулуму "AI за почетнике".
Scikit-learn олакшава изградњу модела и њихову процену за коришћење. Првенствено је фокусиран на коришћење нумеричких података и садржи неколико већ припремљених скупова података који се могу користити као алати за учење. Такође укључује и унапред изграђене моделе које студенти могу испробати. Прво ћемо истражити процес учитавања пакованих података и коришћење уграђених естиматора првог МЛ модела са Scikit-learn-ом са основним подацима.
Scikit-learn чини једноставним изградњу модела и њихову евалуацију за употребу. Првенствено је фокусиран на коришћење нумеричких података и садржи више спремних скупова података за учење. Такође укључује већ изграђене моделе које студенти могу пробати. Хајде да истражимо процес учитавања предпакованих података и коришћење уграђеног естиматора да направите свој први ML модел са Scikit-learn и основним подацима.
## Вежба - ваша прва Scikit-learn бележница
## Вежба - ваш први Scikit-learn ноутбук
> Овај туторијал је инспирисан [примером линеарне регресије](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) на Scikit-learn сајту.
> Овај туторијал је инспирисан [примером линеарне регресије](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) са сајта Scikit-learn-ја.
[](https://youtu.be/2xkXL5EUpS0 "ML за почетнике - Ваш први пројекат линеарне регресије у Python-у")
[](https://youtu.be/2xkXL5EUpS0 "ML за почетнике - Ваш први пројекат линеарне регресије у Python-у")
> 🎥 Кликните на слику изнад за кратак видео који вас води кроз ову вежбу.
> 🎥 Кликните на слику изнад за кратак видео који обрађује ову вежбу.
У фајлу _notebook.ipynb_везаном за овај час очистите све ћелије притиском на икону 'канте за смеће'.
У фајлу _notebook.ipynb_који је везан за ову лекцију, обришите све ћелије притиском на икону 'канта за смеће'.
У овом делу радићетеса малим скупом података о дијабетесу који је уграђен у Scikit-learn у сврху учења. Замислите да желите да тестирате терапију за дијабетичаре. Модели машинског учења могу вам помоћи да одредите који пацијенти би боље реаговали на лечење, на основу комбинација променљивих. Чак и веома базичан регресијски модел, када се визуализује, може показати информације опроменљивим које би вам помогле да организујете своја теоријска клиничка испитивања.
У овом делу ћете радитиса малим скупом података о дијабетесу који је уграђен у Scikit-learn за потребе учења. Замислите да желите да тестирате третман за пацијенте са дијабетесом. Модели машинског учења могу вам помоћи да одредите који пацијенти боље реагују на третман, на основу комбинација варијабли. Чак и веома основни регресијски модел, када се визуелно прикаже, може показати информације о варијаблама које би вам помогле да организујете своје теоријске клиничке студије.
✅ Постоје многе врсте регресионх метода, а коју ћете изабрати зависи од питања на које тражите одговор. Ако желите да предвидите вероватну висину особе одређеног узраста, користили бисте линеарну регресију, јер тражите **нумеричку вредност**. Ако сте заинтересовани да сазнате да ли би врста кухиње требало да се сматра веганском или не, тражите **категоријску припадност**, па бисте користили логистичку регресију. Више ћете научити о логистичкој регресији касније. Размислите мало о питањима која можете поставити подацима и која од ових метода би била примеренија.
✅ Постоји много врста регресионх метода, а коју ћете изабрати зависи од одговора који тражите. Ако желите да предвидите вероватну висину особе одређеног узраста, користићете линеарну регресију, јер тражите **нумеричку вредност**. Ако вас занима да ли неки тип кухиње треба сматрати веганском или не, тражите **категоријску класификацију** па бисте користили логистичку регресију. О логистичкој регресији ћете касније сазнати више. Размислите мало о питањима која можете поставити подацима и која од ових метода би била прикладнија.
Хајде да започнемо овај задатак.
Хајде да започнемо овај задатак.
### Увоз библиотека
### Увожење библиотека
За овај задатак увешћемо неке библиотеке:
За овај задатак ћемо увозити неке библиотеке:
- **matplotlib**. Корисан је [алат за графиконе](https://matplotlib.org/) и користићемо га за прављење линеарног графика.
- **matplotlib**. Корисан је [алат за графиконе](https://matplotlib.org/) и користићемо га за израду линијског графика.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) је корисна библиотека за рад са нумеричким подацима у Python-у.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) је корисна библиотека за руковање бројчаним подацима у Python-у.
- **sklearn**. Ово јебиблиотека [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
- **sklearn**. Ово је [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) библиотека.
Увезите неке библиотеке које ће вам помоћи у задацима.
Увезите неке библиотеке које ће вам помоћи у задацима.
1. Додајте увозе тако што ћете откуцати следећи код:
from sklearn import datasets, linear_model, model_selection
from sklearn import datasets, linear_model, model_selection
```
```
Изнад увозите `matplotlib`, `numpy` и увозите `datasets`, `linear_model` и `model_selection` из `sklearn`. `model_selection`се користи за подељивање података на тренинг и тест сетове.
Горe увозите `matplotlib`, `numpy` и увозите `datasets`, `linear_model` и `model_selection` из `sklearn`. `model_selection`се користи за раздвајање података на тренинг и тест скуп.
### Скуп података о дијабетесу
### Скуп података о дијабетесу
Уграђени [дијабетес скуп података](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) укључује 442 узорка података о дијабетесу, са 10 променљивих карактеристика, неке од којих су:
Уграђени [скуп податакао дијабетесу](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) укључује 442 узорка података о дијабетесу, са 10 особина, од којих неке укључују:
- age: година старости
- age: година
- bmi: индекс телесне масе
- bmi: индекс телесне масе
- bp: просечни крвни притисак
- bp: просечан крвни притисак
- s1 tc: Т ћелије (врста белих крвних зрнаца)
- s1 tc: Т ћелије (врста белих крвних зрнаца)
✅ Овај скуп података укључује појам 'пол' као променљиву карактеристику важну за истраживања у вези дијабетеса. Многи медицински скупови података укључују ову врсту бинарне класификације. Размислите мало о томе како такве категоризације могу искључити одређене делове популације из лечења.
✅ Овај скуп података укључује концепт 'пол' као важну варијаблу у истраживању дијабетеса. Многи медицински скупови података укључују овакву бинарну класификацију. Размислите како таква категоризација може искључити одређене делове популације из одређених третмана.
Сада учитајте податке X и y.
Сада учитајте X и y податке.
> 🎓 Запамтите, ово је надзирано учење и треба нам именовани 'y' циљ.
> 🎓 Запамтите, ово је надгледано учење и потребно нам је именовано 'y' као циљ.
У новој ћелији кода учитајте дијабетес скуп података позивањем `load_diabetes()`. Улаз `return_X_y=True` сигнализира да ће `X` бити матрица података, а`y` циљ регресије.
У новом коду учитајте скуп података о дијабетесу позивом `load_diabetes()`. Улаз `return_X_y=True` сигнализира да ће `X` бити матрица података, а`y` циљ регресије.
1. Додајте неке команде штампе да бисте приказали облик матрице података и њен први елемент:
1. Додајте неке наредбе за штампање да бисте показали облик матрице података и њен први елемент:
Оно што добијате као одговор јекортеж. Додељујете прве две вредности кортежа `X` и `y` респективно. Сазнајте више [о кортежима](https://wikipedia.org/wiki/Tuple).
Оно што добијате као одговор јетјупл (tuple). Ваша радња је да две прве вредности тјупла доделите променљивим `X` и `y`. Сазнајте више [о тјупловима](https://wikipedia.org/wiki/Tuple).
Можете видети да ови подаци имају 442 ставке у облику низова од 10 елемената:
Можете видети да ови подаци имају 442 ставке у облику низова са по 10 елемената:
✅ Размислите мало о односу између података и циљне променљиве регресије. Линеарна регресија предвиђа односе између карактеристика X и циљне променљиве y. Можете ли пронаћи [циљ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) за скуп дијабетес података у документацији? Шта овај скуп података демонстрира, с обзиром на тај циљ?
✅ Размислите мало о односу између података и циља регресије. Линеарна регресија предвиђа односе између особина X и циљне варијабле y. Можете ли пронаћи [циљ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) за скуп дијабетес података у документацији? Шта овај скуп података демонстрира, с обзиром на циљ?
2. Затим изаберите део овог скупа података за приказ тако што ћете изабрати 3. колону скупа података. То можете урадити коришћењем оператора `:` да изаберете све редове, па онда изаберите 3. колону индексирану са (2). Такође можете променити облик података у 2Д низ - како је потребно за график - коришћењем`reshape(n_rows, n_columns)`. Ако је један од параметара -1, одговарајућа димензија се аутоматски израчунава.
2. Затим одаберите део овог скупа података за означавање графика тако што ћете изабрати 3. колону скупа. То можете урадити коришћењем оператора `:` да одаберете све редове и потом одаберите 3. колону користећи индекс (2). Можете и преобликовати податке у 2Д низ - како је потребно за графикон - помоћу`reshape(n_rows, n_columns)`. Ако је један од параметара -1, одговарајућа димензија се аутоматски рачуна.
```python
```python
X = X[:, 2]
X = X[:, 2]
X = X.reshape((-1,1))
X = X.reshape((-1,1))
```
```
✅ У сваком тренутку испишите податке да проверите њихов облик.
✅ У сваком тренутку одштампајте податке да бисте проверили облик.
3. Сада када имате податке спремне за цртање, можете видети да ли машина може помоћи у одређивању логичне поделе између бројева у овом скупу података. Да бисте то урадили, потребно је да поделите и податке (X) и циљ (y) на тест и тренинг скупове података. Scikit-learn има једноставан начин да то уради; можете поделити тест податке у одређеној тачки.
3. Сада када имате податке спремне за график, видите да ли машина може помоћи у одређивању логичне поделе међу бројевимау овом скупу. Да бисте то урадили, потребно је да поделите и податке (X) и циљ (y) на тест и тренинг скупове. Scikit-learn има једноставан начин да то урадите; можете поделити тест податке на одређеној тачки.
```python
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
```
4. Сада сте спремни да обучите свој модел! Учитајте линеарни регресијски модел и обучите гасаsvojim X и y тренинг скуповима коришћењем`model.fit()`:
4. Сада сте спремни да тренирате свој модел! Учитајте линеарни регресијски модел и обучите гасасвојим X и y тренинг скупом користећи`model.fit()`:
```python
```python
model = linear_model.LinearRegression()
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
model.fit(X_train, y_train)
```
```
✅ `model.fit()`је функција коју ћете видети у многим МЛ библиотекама као што је TensorFlow
✅ `model.fit()`је функција коју ћете видети у многим ML библиотекама као што је TensorFlow.
5. Затим направите предвиђање користећи тест податке, користећи функцију `predict()`. Ово ће се користити за цртање линије између група података
5. Затим, направите предвиђање користећи тест податке, употребом функције `predict()`. Ово ће се користити да нацртате линију између група података.
```python
```python
y_pred = model.predict(X_test)
y_pred = model.predict(X_test)
```
```
6. Сада је време да прикажете податке на графикону. Matplotlib је врло користан алат за овај задатак. Направите расути графикон свих тест података X и y, и користите предвиђање да црта линију на најприкладнијем месту, између група података модела.
6. Сада је време да прикажете податке на графикону. Matplotlib је веома користан алат за овај задатак. Направите дијаграм распршавања свих X и y тест података и користите предвиђање да нацртате линију на најприкладнијем месту, између група моделових података.
✅ Размислите мало о томе шта се овде дешава. Равно линија пролази кроз много малих тачака података, али шта она тачно ради? Можете ли видети како бисте могли користити ову линију да предвидите где би нова, невидјена тачка података требало да се уклопи у односу на y осу графика? Покушајте да формулишете практичну употребу овог модела.
✅ Размислите мало о томе шта се овде дешава. Права линија пролази кроз многе мале тачке података, али шта она тачно ради? Можете ли видети како треба да користите ову линију да предвидите где би нова, непозната тачка података требало да се уклопи у односу на y осу графика? Покушајте да речима изразите практичну употребу овог модела.
Честитамо, направили сте свој први модел линеарне регресије, направили предвиђање и приказали га на графикону!
Честитамо, направили сте свој први модел линеарне регресије, направили предвиђање уз њега и приказали га на графику!
---
---
## 🚀Изазов
## 🚀Изазов
Прикажите другу варијаблу из овог скупа података. Савет: уредите овај ред: `X = X[:,2]`. Узимајући у обзир циљ овог скупа података, шта сте у могућности да сазнатео напретку дијабетеса као болести?
Нанесите други параметар из овог скупа података на графикон. Савет: измените ову линију: `X = X[:,2]`. С обзиром на циљ овог скупа података, шта можете откритио напретку дијабетеса као болести?
## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ml/)
## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ml/)
## Преглед и самосталан рад
## Преглед и самостално учење
У овом туторијалу радили сте са простом линеарном регресијом, уместо са униваријантном или вишеструком линеарном регресијом. Прочитајте мало о разликама између ових метода, или погледајте [овaj видео](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
У овом туторијалу сте радили са једноставном линеарном регресијом, уместо са униваријантном или мултиплом линеарном регресијом. Прочитајте мало о разликама између ових метода, или погледајте [овај видео](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Прочитајте више о концепту регресије и размислите о томе која питања ова техника може да одговори. Пређите овај [туторијал](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) да продубите своје разумевање.
Прочитајте више о концепту регресије и размислите о томе каква питања ова техника може да одговори. Пређите овај [туторијал](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) да бисте продубили своје разумевање.
Кластерисање је задатак машинског учења који има за циљ да пронађе објекте који личе један на други и групише их у групе које се називају кластери. Оно што кластерисање разликује од других приступа у машинском учењу је то што се ствари дешавају аутоматски; заправо, може се рећи да је то супротност надгледаном учењу.
Кластерисање је задатак машинског учења где се циља проналажење објеката који личе једни на друге и груписање у групе које се зову кластери. Оно што кластерисање разликује од других приступа у машинском учењу јесте да се све одвија аутоматски, у ствари, може се рећи да је супротно од надгледаног учења.
## Регионална тема: модели кластерисања за музички укус публике у Нигерији 🎧
## Регионална тема: модели кластерисања за музички укус нигеријске публике 🎧
Разнолика публика у Нигерији има разнолике музичке укусе. Користећи податке прикупљене са Spotify-а (инспирисано [овим чланком](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), погледајмо неке од популарних песама у Нигерији. Овај скуп података укључује информације оразличитим песмама као што су оцена 'плесности', 'акустичности', јачина звука, 'говорност', популарност и енергија. Биће занимљиво открити обрасце у овим подацима!
Нигеријска разнолика публика има разнолике музичке укусе. Користећи податке прикупљене са Spotify-а (инспирисано [овим чланком](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), погледајмо неке од популарних песама у Нигерији. Овај скуп података укључује информације о„плесности“ песама, акустичности, јачини звука, „говорности“, популарности и енергији. Биће занимљиво открити обрасце у овим подацима!
> Фотографија од <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> на <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
> Фотографија <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Марцела Ласкоски</a> на <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
У овом низу лекција открићете нове начине за анализу података користећи технике кластерисања. Кластерисање је посебно корисно када вашем скупу података недостају ознаке. Ако има ознаке, онда би технике класификације, као оне које сте научили у претходним лекцијама, могле бити корисније. Али у случајевима када желите да групишете податке без ознака, кластерисање је одличан начин за откривање образаца.
У овој серији лекција открићете нове начине анализе података користећи технике кластерисања. Кластерисање је посебно корисно када ваш скуп података нема ознаке. Ако скуп има ознаке, онда су технике класификације које сте научили у претходним лекцијама можда корисније. Али у случајевима када желите да групишете необележене податке, кластерисање је одличан начин да откријете обрасце.
> Постоје корисни алати са мало кода који вам могу помоћи да научите како да радите са моделима кластерисања. Пробајте [Azure ML за овај задатак](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Постоје корисни алати са мало кода који вам могу помоћи да научите како радити са моделима кластерисања. Испробајте [Azure ML за овај задатак](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Лекције
## Лекције
1. [Увод у кластерисање](1-Visualize/README.md)
1. [Увод у кластерисање](1-Visualize/README.md)
2. [К-Меанс кластерисање](2-K-Means/README.md)
2. [K-Means кластерисање](2-K-Means/README.md)
## Кредити
## Заслуге
Ове лекције су написане са 🎶 од стране [Jen Looper](https://www.twitter.com/jenlooper) уз корисне рецензије од [Rishit Dagli](https://rishit_dagli) и [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Ове лекције је написала 🎶 Јен Лупер (https://www.twitter.com/jenlooper) уз корисне сугестије Ришита Даљија (https://rishit_dagli/) и Мухамада Сакиба Кхана Инана (https://twitter.com/Sakibinan).
Скуп података [Нигеријске песме](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) је преузетса Kaggle-а као прикупљен са Spotify-а.
Скуп података [Нигеријске песме](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) потичеса Kaggle-а као прикупљен са Spotify-а.
Корисни примери К-Меанс кластерисања који су помогли у креирању ове лекције укључују ову [анализу ириса](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), овај [уводни нотебук](https://www.kaggle.com/prashant111/k-means-clustering-with-python), и овај [хипотетички пример НВО](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Корисни примери K-Means-а који су помогли у стварању ове лекције укључују ову [истраживачку серију](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), овај [уводни нотебук](https://www.kaggle.com/prashant111/k-means-clustering-with-python) и овај [хипотетички пример НВО-а](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
---
**Одрицање од одговорности**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.
**Изјава о одрицању одговорности**:
Овај документ је преведен коришћењем услуге за аутоматски превод [Co-op Translator](https://github.com/Azure/co-op-translator). Иако тежимо тачности, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.
Шта је предвиђање временских серија? Ради сео предвиђању будућих догађаја анализом трендова из прошлости.
Шта је предвиђање временских серија? Реч јео предвиђању будућих догађаја анализом трендова из прошлости.
## Регионална тема: светска потрошња електричне енергије ✨
## Регионална тема: светска потрошња електричне енергије ✨
У овим двема лекцијама бићете упознати са предвиђањем временских серија, релативно мање познатом облашћу машинског учења која је ипак изузетно вредна за индустријске и пословне примене, као и за друге области. Иакосе неуронске мреже могу користити за побољшање корисности ових модела, проучаваћемо иху контексту класичног машинског учења, јер модели помажу у предвиђању будућих резултата на основу прошлости.
У ова два часа упознаћете сеса предвиђањем временских серија, мало познатом област машинског учења која је ипак изузетно вредна за индустријске и пословне примене, између осталих области. Доксе неуронске мреже могу користити за побољшање корисности ових модела, ми ћемо их проучаватиу контексту класичног машинског учења, јер модели помажу у предвиђању будућег учинка на основу прошлости.
Наш регионални фокус је потрошња електричне енергије у свету, занимљив скуп података за учење о предвиђању будуће потрошње струје на основу образаца из прошлости. Можете видети како ова врста предвиђања може бити изузетно кориснау пословном окружењу.
Наш регионални фокус је потрошња електричне енергије у свету, занимљив скуп података за учење о предвиђању будуће потрошње електричне енергије базираној на образцима прошлог оптерећења. Можете видети колико ово предвиђање може бити изузетно корисноу пословном окружењу.
Фотографија [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) електричних стубова на путуу Раџастану на [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Фотографија [Педи Сај Хритик](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) електричних стубова поред путау Раџастану на [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Лекције
## Часови
1. [Увод у предвиђање временских серија](1-Introduction/README.md)
1. [Увод у предвиђање временских серија](1-Introduction/README.md)
3. [Изградња модела Support Vector Regressor за предвиђање временских серија](3-SVR/README.md)
3. [Изградња Support Vector Regressor за предвиђање временских серија](3-SVR/README.md)
## Кредити
## Заслуге
"Увод у предвиђање временских серија" написали су ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) и [Jen Looper](https://twitter.com/jenlooper). Бележнице су први пут објављене онлајн у [Azure "Deep Learning For Time Series" репозиторијуму](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) који је оригинално написала Francesca Lazzeri. Лекцију о SVR моделу написао је [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
„Увод у предвиђање временских серија“ написале су ⚡️ [Франческа Лаззери](https://twitter.com/frlazzeri) и [Ђен Лупер](https://twitter.com/jenlooper). Бележнице су први пут постављене на интернет у [Azure „Deep Learning For Time Series“ репозиторијуму](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), оригинално написаном од стране Франческе Лаззери. Лекцију о SVR-у написао је [Анирбан Мукхерџи](https://github.com/AnirbanMukherjeeXD)
---
---
**Одрицање од одговорности**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако тежимо тачности, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода.
**Изјава о одрицању одговорности**:
Овај документ је преведен коришћењем услуге за аутоматски превод [Co-op Translator](https://github.com/Azure/co-op-translator). Иако тежимо тачности, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.
> Ово складиште садржи преко 50 превода на језике што значајно повећава величину преузимања. Да бисте клонирали без превода, користите sparse checkout:
> Ово складиште укључује преводе на више од 50 језика што знатно повећава величину преузимања. За клонирање без превода, користите sparse checkout:
>
>
> **Bash / macOS / Linux:**
> **Bash / macOS / Linux:**
> ```bash
> ```bash
@ -33,63 +33,65 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
> ```
>
>
> Ово вам даје све што вам је потребно за завршетак курса са знатно бржим преузимањем.
> Ово вам даје све што је потребно за завршетак курса уз много брже преузимање.
Имамо текући Discord серијал „Learn with AI“, сазнајте више и придружите нам се на [Learn with AI Series](https://aka.ms/learnwithai/discord) од 18. до 30. септембра 2025. године. Добићете савете и трикове за коришћење GitHub Copilot-а за Data Science.
Имамо текућу серију на Discord-у "учење уз помоћ АИ", сазнајте више и придружите нам се на [Learn with AI Series](https://aka.ms/learnwithai/discord) од 18. до 30. септембра 2025. Добит ћете савете и трикове за коришћење GitHub Copilot-а за Data Science.
# Машинско учење за почетнике - Наставни план
# Машинско учење за почетнике - Курикулум
> 🌍 Путујте широм света док истражујемо машинско учење кроз светске културе 🌍
> 🌍 Путујте око света док истражујемо машинско учење кроз светске културе 🌍
Cloud Advocates у Microsoft-уса задовољством нуде 12-недељни, 26-лекцијски наставни план који говори о**машинском учењу**. У овом курсу ћете научити о ономе што се понекад назива **класично машинско учење**, користећи углавном Scikit-learn као библиотеку и избегавајући дубоко учење, које је покривено у нашем [AI for Beginners' курикулуму](https://aka.ms/ai4beginners). Спојите ове лекције са нашим ['Data Science for Beginners' курикулумом](https://aka.ms/ds4beginners), такође!
Cloud Advocates у Microsoft-унуде 12-недељни, 26-часовни курикулум посвећен **Машинском учењу**. У овом курикулуму научићете оно што се понекад назива **класичним машинским учењем**, користећи претежно Scikit-learn библиотеку и избегавајући дубоко учење, које је обрађено у нашем [AI for Beginners' курикулуму](https://aka.ms/ai4beginners). Такође упарите ове лекције са нашим ['Data Science for Beginners' курикулумом](https://aka.ms/ds4beginners)!
Путујте с нама широм света док примењујемо ове класичне технике на податке из разних делова света. Свака лекција укључује квизове пре и после лекције, писане инструкције за завршетак лекције, решење, задатак и још много тога. Наша педагогија заснована на пројектима омогућава вам да учите док градите, што је доказани начин да нове вештине „заглаве“.
Путујте са нама широм света док примењујемо ове класичне технике на податке из многих делова света. Свакa лекција садржи квиз пре и после лекције, писана упутства за завршетак лекције, решење, задатак и још много тога. Наша педагогија заснована на пројектима омогућава вам учење кроз израду, доказани начин да нове вештине заиста остану.
> 💡 **Савет за брз почетак:** Желите да почнете у прегледачу без подешавања Питхона на локалном уређају? Користите [GitHub Codespaces](https://github.com/features/codespaces) да креирате cloud окружење за развој за свој форк. Отворите зелени мени **Code**, изаберите **Codespaces**, и направите нови codespace; инсталирајте потребне зависности за сваку лекцију по потреби.
> [пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Треба вам помоћ?** Погледајте наш [Водич за решавање проблема](TROUBLESHOOTING.md) за решења уобичајених проблема са инсталацијом, подешавањем и покретањем лекција.
> 🔧 **Треба вам помоћ?** Погледајте наш [Водич за решавање проблема](TROUBLESHOOTING.md) за решења уобичајених проблема са инсталацијом, подешавањем и покретањем лекција.
**[Студенти](https://aka.ms/student-page)**, да бисте користили овај курикулум, форкујте цео репозиторијум на свој GitHub налог и радите задатке самостално или у групи:
**[Студенти](https://aka.ms/student-page)**, за коришћење овог курикулума, форкујте цео репо на свој GitHub налог и завршите вежбе сами или у групи:
- Почните са квизом пре предавања.
- Почните са квизом пре предавања.
- Прочитајте предавање и завршите активности, правећи паузе и размишљајући након сваке провере знања.
- Прочитајте предавање и завршите активности, правећи паузе и размишљајући о сваком проверавњу знања.
- Покушајте да направите пројекте разумејући лекције уместо да само покрећете код из решења; ипак, тај код је доступан у фасциклама `/solution`у свакој лекцији оријентисаној ка пројекту.
- Покушајте направити пројекте самостално разумевајући лекције, а не само покретањем кода решења; ипак, тај код је доступан у`/solution` фолдерима у свакој лекцији заснованој на пројекту.
- Полажите квиз након предавања.
- Урадите квиз након предавања.
- Завршите изазов.
- Завршите изазов.
- Завршите задатак.
- Завршите задатак.
- Након завршетка групе лекција, посетите [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) и „учи наглас“ попуњавајући одговарајући PAT (алат за оцену напретка). PAT је рубрика коју попуњавате како бисте додатно унапредили учење. Такође можете реаговати на друге PAT-ове како бисмо учили заједно.
- Након завршетка групе лекција, посетите [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) и „учите гласно“ попуњавајући одговарајућу PAT рубрику. 'PAT' је алат за процену напретка, рубрика коју попуњавате за даље учење. Такође можете реаговати на друге PAT-ове да бисмо учили заједно.
> За даље учење препоручујемо праћење ових [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) модула и наставних путања.
> За додатно учење препоручујемо пратите ове [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) модуле и ученичке путање.
**Наставници**, припремили смо [неке предлоге](for-teachers.md) о томе како да користите овај курикулум.
**Наставници**, укључили смо [неке предлоге](for-teachers.md) како користити овај курикулум.
---
---
## Видео обиласци
## Видео прегледи
Неке лекције су доступне у кратком видео формату. Све их можете пронаћи унутар лекција или на [ML for Beginners плејлисти на Microsoft Developer YouTube каналу](https://aka.ms/ml-beginners-videos) кликом на слику испод.
Неке лекције су доступне као кратки видео снимци. Све их можете пронаћи у линији унутар лекција или на [ML for Beginners плејлисти на Microsoft Developer YouTube каналу](https://aka.ms/ml-beginners-videos) кликом на слику испод.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Кликните на слику изнад за видео о пројекту и људима који сугакреирали!
> 🎥 Кликните на горњу слику за видео о пројекту и људима који суганаправили!
---
---
## Педагогија
## Педагогија
Одабрали смо два педагошка принципа док смо градили овај курикулум: да буде практичан, заснован на **пројектима** и да укључује **честе квизове**. Поред тога, овај курикулум има заједничку **тему** ради усклађености.
Док смо градили овај курикулум, изабрали смо два педагошка принципа: осигурати да је практичан и **базиран на пројектима** и да укључује **честе квизове**. Поред тога, овај курикулум има заједничку **тему** да му да кохерентност.
Омогућавајући да садржај буде повезан са пројектима, процес је привлачнији за студенте и задржавање концепата ће бити побољшано. Такође, квиз са малим залогом пре часа поставља намеру студента ка учењу теме, док други квиз после часа осигурава даље задржавање. Овај курикулум је дизајниран да буде флексибилан и забаван и може се радити у целини или делимично. Пројекти почињу једноставно и постају све сложенији током 12-недељног циклуса. Курикулум такође укључује постскриптум о стварној примени ML, који може служити као додатни кредит или као теме за дискусију.
Осигуравањем да садржај одговара пројектима, процес је занимљивији за студенте и концепти ће се боље задржати. Поред тога, квиз унапред поставља намеру студента ка учењу теме, а други квиз након часа осигурава даље задржавање знања. Овај курикулум је дизајниран да буде флексибилан и забаван и може се радити у целини или делимично. Пројекти почињу једноставно и постају све сложенији током 12-недељног циклуса. Курикулум такође садржи завршни део о стварним примени машинског учења, који може бити коришћен као додатни бод или као основа за дискусију.
> Пронађите наше смернице за [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), и [Troubleshooting](TROUBLESHOOTING.md). Добродошли су ваши конструктивни коментари!
> Пронађите наш [Кодекс понашања](CODE_OF_CONDUCT.md), [Како допринети](CONTRIBUTING.md), [Преводи](..) и [Водич за решавање проблема](TROUBLESHOOTING.md). Добродошле су ваше конструктивне повратне информације!
## Свака лекција садржи
## Свaка лекција укључује
- опциони скичнот
- опциони скичнот
- опциони додатни видео
- опциони додатни видео
- видео обилазак (само неке лекције)
- видео преглед (само неке лекције)
- [тест припреме пре предавања](https://ff-quizzes.netlify.app/en/ml/)
- [квиз за загревање пре предавања](https://ff-quizzes.netlify.app/en/ml/)
- писану лекцију
- писану лекцију
- за лекције засноване на пројекту, упутства корак по корак како направити пројекат
- за лекције засноване на пројектима, корак-по-корак упутства како направити пројекат
- провере знања
- провере знања
- изазов
- изазов
- додатно читање
- додатно читање
- задатак
- задатак
- [тест након предавања](https://ff-quizzes.netlify.app/en/ml/)
- [квиз након предавања](https://ff-quizzes.netlify.app/en/ml/)
> **Напомена о језицима**: Ове лекције су углавном написане у Питону, али многе су доступне и на R-у. Да бисте завршили R лекцију, идите у фасциклу `/solution` и потражите R лекције. Оне укључују .rmd екстензију која представља **R Markdown** фајл који се једноставно може дефинисати као уграђивање `кодних делова` (на R-у или другим језицима) и `YAML заглавља` (које води како форматирати излазе као што су PDF) у`Markdown документ`. Као таква, служи као примерни оквир за аутора података јер вам омогућава да комбинујете свој код, његов излаз и своје мисли тако што их пишете у Markdown. Штавише, R Markdown документи могу се конвертовати у формате као што су PDF, HTML или Word.
> **Напомена о језицима**: Ове лекције су углавном написане на Python-у, али многе су доступне и у R-у. За завршетак R лекције идите у`/solution` фолдер и потражите R лекције. Оне укључују .rmd екстензију која представља **R Markdown** фајл, што се може једноставно дефинисати као уграђивање `кодних блокова` (R или других језика) и `YAML хедера` (који води како форматирати излазе као PDF) у`Markdown документ`. Као таква, служи као одличан ауторски оквир за науку о подацима јер вам омогућава да комбинујете свој код, његов излаз и своје мисли тако што их записујете у Markdown-у. Поред тога, R Markdown документи могу бити рендеровани у форматима као што су PDF, HTML или Word.
> **Напомена о квизовима**: Сви квизови се налазе у [Quiz App фасцикли](../../quiz-app), укупно 52 квиза са по три питања. Они су повезани изнутра лекција, али квиз апликација може да се покреће локално; пратите упутства у`quiz-app` фасцикли за локални хостинг или дејплој на Azure.
> **Напомена о квизовима**: Сви квизови су садржани у [Quiz App фасцикли](../../quiz-app), укупно 52 квиза са по три питања. Они су линковани из лекција али Quiz App се може покренути и локално; пратите упутства у`quiz-app` фолдеру да га локално хостирате или деплојујете на Azure.
| 02 | Историја машинског учења | [Увод](1-Introduction/README.md) | Научите историју која стоји иза ове области | [Лекција](1-Introduction/2-history-of-ML/README.md) | Џен и Еми |
| 01 | Увод у машинско учење | [Introduction](1-Introduction/README.md) | Научите основне појмове иза машинског учења | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Мухаммад |
| 03 | Праведност и машинско учење | [Увод](1-Introduction/README.md) | Којасу важна филозофска питања о праведности која ученици треба да узму у обзир приликом градње и примене ML модела? | [Лекција](1-Introduction/3-fairness/README.md) | Томоми |
| 02 | Историја машинског учења | [Introduction](1-Introduction/README.md) | Научите историју која стоји иза ове области | [Lesson](1-Introduction/2-history-of-ML/README.md) | Џен и Ејми |
| 04 | Технике машинског учења | [Увод](1-Introduction/README.md) | Које технике истраживачи ML користе за прављење ML модела? | [Лекција](1-Introduction/4-techniques-of-ML/README.md) | Крис и Џен |
| 03 | Праведност и машинско учење | [Introduction](1-Introduction/README.md) | Којасу важна филозофска питања око праведности која студенти треба да размотре приликом прављења и примене МЛ модела? | [Lesson](1-Introduction/3-fairness/README.md) | Томоми |
| 05 | Увод у регресију | [Регресија](2-Regression/README.md) | Започните са Питоном и Scikit-learn за регресионе моделе | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Џен • Ерик Вањау |
| 04 | Технике за машинско учење | [Introduction](1-Introduction/README.md) | Које технике истраживачи МЛ користе за израду МЛ модела? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Крис и Џен |
| 06 | Цене бундеве у Северној Америци 🎃 | [Регресија](2-Regression/README.md) | Визуализујте и очистите податке у припреми за ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Џен • Ерик Вањау |
| 05 | Увод у регресију | [Regression](2-Regression/README.md) | Почните са Питоном и Scikit-learn за регресионе моделе | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Џен • Ерик Вањау |
| 07 | Цене бундеве у Северној Америци 🎃 | [Регресија](2-Regression/README.md) | Направите линеарне и полиномијалне регресионе моделе | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Џен и Дмитри • Ерик Вањау |
| 06 | Цена бундеве у Северној Америци 🎃 | [Regression](2-Regression/README.md) | Визуелизујте и очистите податке као припрему за МЛ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Џен • Ерик Вањау |
| 17 | Уобичајени задаци у NLP-у ☕️ | [Обрада природног језика](6-NLP/README.md) | Продубите своје NLP знање разумевањем уобичајених задатака потребних при раду са језичким структурама | [Python](6-NLP/2-Tasks/README.md) | Стивен |
| 16 | Увод у обраду природног језика ☕️ | [Natural language processing](6-NLP/README.md) | Научите основе о NLP правећи једноставног бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Стивен |
| 18 | Превод и анализа сентимената ♥️ | [Обрада природног језика](6-NLP/README.md) | Превод и анализа сентимената са Џејн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Стивен |
| 17 | Уобичајени задаци у NLP ☕️ | [Natural language processing](6-NLP/README.md) | Продубите своје знање о NLP разумевањем уобичајених задатака у раду са језичким структурама | [Python](6-NLP/2-Tasks/README.md) | Стивен |
| 19 | Романтични хотели Европе ♥️ | [Обрада природног језика](6-NLP/README.md) | Анализа сентимената уз рецензије хотела 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Стивен |
| 18 | Превођење и анализа сентимента ♥️ | [Natural language processing](6-NLP/README.md) | Превођење и анализа сентимента са Џејн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Стивен |
| 20 | Романтични хотели Европе ♥️ | [Обрада природног језика](6-NLP/README.md) | Анализа сентимената уз рецензије хотела 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Стивен |
| 19 | Романтични хотели Европе ♥️ | [Natural language processing](6-NLP/README.md) | Анализа сентимента са рецензијама хотела 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Стивен |
| 21 | Увод у прогнозирање временских серија | [Временске серије](7-TimeSeries/README.md) | Увод у прогнозирање временских серија | [Python](7-TimeSeries/1-Introduction/README.md) | Франческа |
| 20 | Романтични хотели Европе ♥️ | [Natural language processing](6-NLP/README.md) | Анализа сентимента са рецензијама хотела 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Стивен |
| 22 | ⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање временских серија помоћу ARIMA | [Временске серије](7-TimeSeries/README.md) | Прогнозирање временских серија уз помоћ ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Франческа |
| 21 | Увод у прогнозирање временских серија | [Time series](7-TimeSeries/README.md) | Увод у прогнозирање временских серија | [Python](7-TimeSeries/1-Introduction/README.md) | Франческа |
| 23 | ⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање временских серија помоћу SVR | [Временске серије](7-TimeSeries/README.md) | Прогнозирање временских серија уз помоћ Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Анирбан |
| 22 | ⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање временских серија са ARIMA | [Time series](7-TimeSeries/README.md) | Прогнозирање временских серија са ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Франческа |
| 23 | ⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање временских серија са SVR | [Time series](7-TimeSeries/README.md) | Прогнозирање временских серија са Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Анирбан |
| 24 | Увод у појачано учење | [Reinforcement learning](8-Reinforcement/README.md) | Увод у појачано учење са Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Дмитриј |
| Постскрипт | Сценарији и примене ML у стварном свету | [ML у природи](9-Real-World/README.md) | Интересантне и откривалачке примене класичног ML у стварном свету | [Лекција](9-Real-World/1-Applications/README.md) | Тим |
| Постскрипт | Дебаговање модела у ML користећи RAI контролни панел| [ML у природи](9-Real-World/README.md) | Дебаговање модела машинског учења користећи компоненте Responsible AI контролног панела | [Лекција](9-Real-World/2-Debugging-ML-Models/README.md) | Рут Јакубу |
| Postscript | Реални сценарији и примене машинског учења | [ML in the Wild](9-Real-World/README.md) | Интересантне и откривајуће примене класичног МЛ у стварном свету | [Lesson](9-Real-World/1-Applications/README.md) | Тим |
| Postscript | Дебаговање модела у МЛ помоћу RAI контролне табле | [ML in the Wild](9-Real-World/README.md) | Дебаговање модела у машинском учењу користећи компоненте Responsible AI контролне табле | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Рут Јакубу |
> [пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [пронађите све додатне ресурсе за овај курс у нашој колекцији Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Приступ без везе (Offline access)
## Оффлине приступ
Можете покренути ову документацију без везе користећи [Docsify](https://docsify.js.org/#/). Форкујте овај репозиторијум, [инсталирајте Docsify](https://docsify.js.org/#/quickstart) на својој локалној машини, а затим у коренској фасцикли овог репозиторијума покрените команду `docsify serve`. Вебсајт ће бити доступан на порту 3000 на вашој локалној машини: `localhost:3000`.
Можете покретати ову документацију оффлине користећи [Docsify](https://docsify.js.org/#/). Форкујте овај репозиторијум, [инсталирајте Docsify](https://docsify.js.org/#/quickstart) на вашем локалном рачунару, а затим у коренском фолдеру овог репозиторијума укуцајте `docsify serve`. Веб сајт ће бити доступан на порту 3000 на вашем localhost-у: `localhost:3000`.
## PDF-ови
## PDF-ови
Пронађите pdf наставног планаса линковима [овде](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Пронађите pdf програм курсаса линковима [овде](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Остали курсеви
## 🎒 Други курсеви
Наш тим производи и друге курсеве! Погледајте:
Наш тим производи и друге курсеве! Погледајте:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
---
### Azure / Edge / MCP / Agents
### Azure / Edge / MCP / Агенти
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
---
### Серја генеративне вештачке интелигенције
### Серия генеративне вештачке интелигенције
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
---
### Основно учење
### Основно учење
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
---
### Серја Copilot
### Копилот серија
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
- Прегледајте белешке након сваке лекције ради бољег разумевања.
- Прегледајте записнике после сваке лекције за боље разумевање.
- Вежбајте имплементацију алгоритама самостално.
- Вежбајте самостално имплементацију алгоритама.
- Истражујте стварне скупове података користећи научене појмове.
- Истражујте стварне скупове података користећи научене концепте.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Одрицање од одговорности**:
**Изјава о одрицању одговорности**:
Овај документ је преведен помоћу AI услуге за превођење [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде прецизан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитетним извором. За критичне информације, препоручује се професионални превод обављен од стране људи. Ми нисмо одговорни за било каква неспоразума или погрешне тумачења настала коришћењем овог превода.
Овај документ је преведен коришћењем услуге за аутоматски превод [Co-op Translator](https://github.com/Azure/co-op-translator). Иако тежимо тачности, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.
Да ли бисте желели да користите овај наставни план у вашој учионици? Слободно га користите!
Да ли желите да користите овај курикулум у вашој учионици? Слободно урадите то!
Заправо, можете га користити директно на GitHub-у, уз помоћ GitHub Classroom-а.
Заправо, можете га користити и унутар самог GitHub-а помоћу GitHub Classroom.
Да бисте то урадили, направите форк овог репозиторијума. Биће потребно да креирате репозиторијум за сваку лекцију, тако да ћете морати да издвојите сваки фолдер у посебан репозиторијум. На тај начин, [GitHub Classroom](https://classroom.github.com/classrooms) може да обради сваку лекцију засебно.
Да бисте то урадили, форкујте овај репозиторијум. Биће вам потребно да направите репозиторијум за сваки час, па ћете морати да издвојите сваки фолдер у засебан репозиторијум. На тај начин, [GitHub Classroom](https://classroom.github.com/classrooms) може да преузме сваки час посебно.
Ова [потпуна упутства](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ће вам дати идеју како да поставите вашу учионицу.
Ове [потпуне инструкције](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) даће вам идеју како да поставите своју учионицу.
## Коришћење репозиторијума у постојећем облику
## Коришћење репозиторијума како јесте
Ако желите да користите овај репозиторијум у његовом тренутном облику, без употребе GitHub Classroom-а, то је такође могуће. Биће потребно да комуницирате са вашим ученицима о томе коју лекцију да заједно обрађујете.
Ако желите да користите овај репозиторијум како тренутно стоји, без коришћења GitHub Classroom-а, то је такође могуће. Требаће вам да комуницирате са вашим студентима који час треба заједно да обраде.
У онлајн формату (Zoom, Teams или други) можете организовати групне собе за квизове и менторисати ученике како би се припремили за учење. Затим позовите ученике да учествују у квизовима и да предају своје одговоре као 'issues' у одређено време. Исто можете урадити и са задацима, ако желите да ученици раде заједно и отворено.
У онлајн формату (Zoom, Teams или неки други) можете формирати групе за квизове и менторисати студенте како би се припремили за учење. Потом позовите студенте да полажу квизове и да своје одговоре поднесу као 'issues' у одређеном времену. Исто тако можете урадити и са задацима, ако желите да студенти раде сараднички јавно.
Ако више волите приватни формат, замолите ученике да направе форк наставног плана, лекцију по лекцију, у своје приватне GitHub репозиторијуме и да вам дају приступ. На тај начин могу приватно завршити квизове и задатке и предати их вама путем 'issues' на вашем репозиторијуму за учионицу.
Ако више волите приватнији формат, замолите студенте да форкују курикулум, лекцију по лекцију, у своје приватне GitHub репозиторијуме и да вам дају приступ. Онда могу приватно да завршавају квизове и задатке и да вам их достављају преко issues на вашем репозиторијуму учионице.
Постоји много начина да ово функционише у онлајн учионици. Обавестите нас шта вам најбоље одговара!
Постоји много начина да ово функционише у онлајн формату учионице. Молимо вас да нам јавите шта вам највише одговара!
## Молимо вас да нам дате своје мишљење!
## Молим вас да нам дате ваш мишљење!
Желимо да овај наставни план буде користан за вас и ваше ученике. Молимо вас да нам оставите [повратне информације](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Желимо да овај курикулум функционише за вас и ваше студенте. Молимо вас да нам дате [повратну информацију](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
---
**Одрицање од одговорности**:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако тежимо тачности, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква неспоразумевања или погрешна тумачења настала услед коришћења овог превода.
**Изјава о одрицању одговорности**:
Овај документ је преведен коришћењем услуге за аутоматски превод [Co-op Translator](https://github.com/Azure/co-op-translator). Иако тежимо тачности, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.
localizeflow[bot]
3 weeks ago