ML-For-Beginners/translations/sr/1-Introduction/1-intro-to-ML/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "69389392fa6346e0dfa30f664b7b6fec",
  "translation_date": "2025-09-05T12:46:42+00:00",
  "source_file": "1-Introduction/1-intro-to-ML/README.md",
  "language_code": "sr"
}
-->
# Увод у машинско учење

## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ml/)

---

[![Машинско учење за почетнике - Увод у машинско учење за почетнике](https://img.youtube.com/vi/6mSx_KJxcHI/0.jpg)](https://youtu.be/6mSx_KJxcHI "Машинско учење за почетнике - Увод у машинско учење за почетнике")

> 🎥 Кликните на слику изнад за кратак видео који обрађује ову лекцију.

Добродошли на овај курс о класичном машинском учењу за почетнике! Било да сте потпуно нови у овој области или сте искусан практичар машинског учења који жели да обнови знање, драго нам је што сте нам се придружили! Желимо да створимо пријатно место за почетак вашег изучавања машинског учења и биће нам драго да проценимо, одговоримо и укључимо ваше [повратне информације](https://github.com/microsoft/ML-For-Beginners/discussions).

[![Увод у машинско учење](https://img.youtube.com/vi/h0e2HAPTGF4/0.jpg)](https://youtu.be/h0e2HAPTGF4 "Увод у машинско учење")

> 🎥 Кликните на слику изнад за видео: Џон Гуттаг са МИТ-а представља машинско учење

---
## Почетак са машинским учењем

Пре него што почнете са овим програмом, потребно је да ваш рачунар буде подешен и спреман за локално покретање бележница.

- **Подесите свој рачунар помоћу ових видеа**. Користите следеће линкове да научите [како да инсталирате Python](https://youtu.be/CXZYvNRIAKM) на вашем систему и [подесите текст едитор](https://youtu.be/EU8eayHWoZg) за развој.
- **Научите Python**. Такође се препоручује да имате основно разумевање [Python-а](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott), програмског језика корисног за научнике података који користимо у овом курсу.
- **Научите Node.js и JavaScript**. Неколико пута у овом курсу користимо JavaScript за изградњу веб апликација, па ће вам бити потребно да имате [node](https://nodejs.org) и [npm](https://www.npmjs.com/) инсталиране, као и [Visual Studio Code](https://code.visualstudio.com/) доступан за развој у Python-у и JavaScript-у.
- **Направите GitHub налог**. Пошто сте нас пронашли на [GitHub-у](https://github.com), можда већ имате налог, али ако немате, направите га и затим форкујте овај програм како бисте га користили сами. (Слободно нам дајте и звездицу 😊)
- **Истражите Scikit-learn**. Упознајте се са [Scikit-learn](https://scikit-learn.org/stable/user_guide.html), скупом библиотека за машинско учење које користимо у овим лекцијама.

---
## Шта је машинско учење?

Термин 'машинско учење' је један од најпопуларнијих и најчешће коришћених термина данашњице. Постоји велика вероватноћа да сте овај термин чули бар једном ако имате било какву повезаност са технологијом, без обзира на област у којој радите. Механизми машинског учења, међутим, остају мистерија за већину људи. За почетника у машинском учењу, ова тема може понекад деловати застрашујуће. Зато је важно разумети шта машинско учење заправо јесте и учити о њему корак по корак, кроз практичне примере.

---
## Крива хипе-а

![крива хипе-а за машинско учење](../../../../1-Introduction/1-intro-to-ML/images/hype.png)

> Google Trends приказује недавну 'криву хипе-а' за термин 'машинско учење'

---
## Мистериозни универзум

Живимо у универзуму пуном фасцинантних мистерија. Велики научници попут Стивена Хокинга, Алберта Ајнштајна и многих других посветили су своје животе трагању за значајним информацијама које откривају мистерије света око нас. Ово је људска потреба за учењем: људско дете учи нове ствари и открива структуру свог света из године у годину како расте до одраслог доба.

---
## Дечји мозак

Дечји мозак и чула перципирају чињенице из своје околине и постепено уче скривене обрасце живота који помажу детету да обликује логичка правила за препознавање научених образаца. Процес учења људског мозга чини људе најсофистициранијим живим бићима на овом свету. Континуирано учење откривањем скривених образаца и затим иновације на тим обрасцима омогућавају нам да постајемо све бољи током живота. Ова способност учења и еволуције повезана је са концептом који се зове [пластичност мозга](https://www.simplypsychology.org/brain-plasticity.html). Површно гледано, можемо повући неке мотивационе сличности између процеса учења људског мозга и концепата машинског учења.

---
## Људски мозак

[Људски мозак](https://www.livescience.com/29365-human-brain.html) перципира ствари из стварног света, обрађује перципиране информације, доноси рационалне одлуке и изводи одређене радње у зависности од околности. Ово називамо интелигентним понашањем. Када програмирамо реплику процеса интелигентног понашања у машину, то називамо вештачком интелигенцијом (AI).

---
## Нека терминологија

Иако се термини могу мешати, машинско учење (ML) је важан подсет вештачке интелигенције. **ML се бави коришћењем специјализованих алгоритама за откривање значајних информација и проналажење скривених образаца из перципираних података како би се потврдио процес рационалног доношења одлука**.

---
## AI, ML, дубоко учење

![AI, ML, дубоко учење, наука о подацима](../../../../1-Introduction/1-intro-to-ML/images/ai-ml-ds.png)

> Дијаграм који приказује односе између AI, ML, дубоког учења и науке о подацима. Инфографика аутора [Џен Лупер](https://twitter.com/jenlooper) инспирисана [овом графиком](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)

---
## Концепти које ћемо обрадити

У овом програму ћемо обрадити само основне концепте машинског учења које почетник мора знати. Обрађујемо оно што називамо 'класичним машинским учењем', углавном користећи Scikit-learn, одличну библиотеку коју многи студенти користе за учење основа. Да бисмо разумели шире концепте вештачке интелигенције или дубоког учења, неопходно је имати јако основно знање машинског учења, и зато желимо да га понудимо овде.

---
## На овом курсу ћете научити:

- основне концепте машинског учења
- историју ML-а
- ML и правичност
- технике регресије у ML-у
- технике класификације у ML-у
- технике кластерисања у ML-у
- обраду природног језика у ML-у
- технике прогнозирања временских серија
- учење путем појачања
- примене ML-а у стварном свету

---
## Шта нећемо обрађивати

- дубоко учење
- неуронске мреже
- вештачку интелигенцију

Да бисмо омогућили боље искуство учења, избегаваћемо сложености неуронских мрежа, 'дубоког учења' - изградње модела са више слојева користећи неуронске мреже - и вештачке интелигенције, о чему ћемо говорити у другом програму. Такође ћемо понудити предстојећи програм о науци о подацима како бисмо се фокусирали на тај аспект ове шире области.

---
## Зашто изучавати машинско учење?

Машинско учење, из перспективе система, дефинише се као стварање аутоматизованих система који могу учити скривене обрасце из података како би помогли у доношењу интелигентних одлука.

Ова мотивација је лабаво инспирисана начином на који људски мозак учи одређене ствари на основу података које перципира из спољашњег света.

✅ Размислите на тренутак зашто би нека компанија желела да користи стратегије машинског учења уместо да креира систем заснован на фиксним правилима.

---
## Примене машинског учења

Примене машинског учења сада су готово свуда и присутне су као и подаци који круже нашим друштвима, генерисани нашим паметним телефонима, повезаним уређајима и другим системима. С обзиром на огроман потенцијал савремених алгоритама машинског учења, истраживачи истражују њихову способност да реше вишедимензионалне и мултидисциплинарне проблеме из стварног живота са изузетно позитивним резултатима.

---
## Примери примене ML-а

**Машинско учење можете користити на многе начине**:

- За предвиђање вероватноће болести на основу медицинске историје или извештаја пацијента.
- За коришћење података о времену ради предвиђања временских догађаја.
- За разумевање сентимента текста.
- За откривање лажних вести како би се спречило ширење пропаганде.

Финансије, економија, наука о Земљи, истраживање свемира, биомедицинско инжењерство, когнитивна наука, па чак и области хуманистичких наука адаптирале су машинско учење за решавање тешких проблема обраде података у својим доменима.

---
## Закључак

Машинско учење аутоматизује процес откривања образаца проналажењем значајних увида из стварних или генерисаних података. Доказало је своју вредност у пословним, здравственим и финансијским применама, између осталог.

У блиској будућности, разумевање основа машинског учења биће неопходно за људе из било које области због његове широке примене.

---
# 🚀 Изазов

Нацртајте, на папиру или користећи онлајн апликацију попут [Excalidraw](https://excalidraw.com/), своје разумевање разлика између AI, ML, дубоког учења и науке о подацима. Додајте неке идеје о проблемима које свака од ових техника добро решава.

# [Квиз након предавања](https://ff-quizzes.netlify.app/en/ml/)

---
# Преглед и самостално учење

Да бисте сазнали више о томе како можете радити са ML алгоритмима у облаку, пратите овај [пут учења](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott).

Пратите [пут учења](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) о основама машинског учења.

---
# Задатак

[Покрените се](assignment.md)

---

**Одрицање од одговорности**:  
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.