“国学小课堂”活动走进中国孔子基金会孔子学堂

百度 为什么出现这样的问题，归根结底就是主体责任不落实。

Машинско уче?е (енгл. Machine learning, ML) ?е подобласт вештачке интелигенци?е чи?и ?е ци? конструиса?е статистичких алгоритама и рачунарских система ко?и су способни да се адаптира?у на аналогне нове ситуаци?е и уче на бази искуства. Разви?ене су различите технике уче?а за извршава?е различитих задатака. Прве ко?е су биле предмет истражива?а, тичу се надгледаног уче?а за дискреционо доноше?е одлука, надгледаног уче?а за континуирано предви?а?е и по?ачано уче?е за секвенционално доноше?е одлука, као и ненадгледано уче?е. До сада на?бо?е схва?ен од свих наведених задатака ?е одлучива?е преко ?едног покуша?а (енгл. one-shot learning). Рачунару ?е дат опис ?едног об?екта (дога?а?а или ситуаци?е) и од ?ега се очеку?е да као резултат избаци класификаци?у тог об?екта. На прим?ер, програм за препознава?е алфанумеричких знакова као улазну ври?едност има дигитализовану слику неког алфанумеричког знака и као резултат треба да избаци ?егово име.

Алгоритми машинског уче?а могу да уче из података и генерализу?у на невид?иве податке, и на та? начин обав?а?у задатке без експлицитних упутстава. Недавно су вештачке неуронске мреже успеле да надмаше многе претходне приступе у погледу перформанси. Приступи машинском уче?у су приме?ени у многим областима ук?учу?у?и обраду природног ?езика, комп?утерски вид, препознава?е говора, филтрира?е електронске поште, по?опривреду и медицину. ML ?е познато по сво?о? примени на пословне проблеме под називом предиктивна аналитика. Иако ни?е свако машинско уче?е статистички засновано, рачунарска статистика ?е важан извор метода у ово? области.

Математичке основе машинског уче?а су обезбе?ене методама математичке оптимизаци?е (математичко програмира?е). Истражива?е података ?е сродна (паралелна) област проучава?а, ко?а се фокусира на истраживачку анализу података кроз уче?е без надзора. Са теори?ске тачке гледишта, вероватно приближно тачно уче?е пружа оквир за описива?е машинског уче?а.

Истори?а

Термин машинско уче?е сковао ?е 1959. Артур Сем?уел, док ?е био запослен у IBM-у, ко?и ?е пионир у области комп?утерских игара и вештачке интелигенци?е. У овом временском периоду кориш?ен ?е и синоним самоуче?и рачунари.

Иако ?е на?рани?и модел машинског уче?а уведен током 1950-их када ?е Артур Сем?уел изумео програм ко?и ?е израчунао добитну шансу у дамама за сваку страну, истори?а машинског уче?а има корене уназад до децени?а ?удског насто?а?а и напора да се проучава?у ?удски когнитивни процеси. Канадски психолог Доналд Хеб ?е 1949. године об?авио к?игу Организаци?а понаша?а, у ко?о? ?е представио теори?ску неуронску структуру формирану одре?еним интеракци?ама ме?у нервним ?ели?ама. Хебов модел неурона ко?и ме?усобно комуницира?у поставио ?е основу за то како AI и алгоритми за машинско уче?е функционишу под чвориштима, или вештачким неуронима ко?е рачунари користе за комуникаци?у података. Други истраживачи ко?и су проучавали ?удске когнитивне системе тако?е су допринели савременим технологи?ама машинског уче?а, ук?учу?у?и логичара Валтера Питса и Ворена Макалока, ко?и су предложили ране математичке моделе неуронских мрежа како би дошли до алгоритама ко?и одражава?у ?удске мисаоне процесе.

До раних 1960-их, компани?а Ре?тион развила ?е експерименталну ?машину за уче?е“ са мемори?ом на бушено? траци, названу Са?бертрон, за анализу сигнала сонара, електрокардиограма и говорних образаца користе?и рудиментарно поткреп?ено уче?е. ?удски оператер/учите? ?у ?е стално ?обучавао“ да препозна обрасце и била ?е опрем?ена дугметом ?бесмислица“ да би се упутила да поново процени погрешне одлуке. Репрезентативни рад о истражива?у машинског уче?а током 1960-их била ?е Нилсонова к?ига о машинама за уче?е, ко?а се углавном бавила машинским уче?ем с ци?ем класификаци?е образаца. Интересова?е везано за препознава?е образаца наставило се током 1970-их, како су то описали Дуда и Харт 1973. године. Године 1981, об?ав?ен ?е извешта? о кориш?е?у наставних стратеги?а тако да вештачка неуронска мрежа научи да препозна 40 знакова (26 слова, 10 цифара и 4 специ?ална симбола) са рачунарског терминала.

Том М. Мичел ?е дао широко цитирану, формални?у дефиници?у алгоритама ко?и се проучава?у у области машинског уче?а: ?Каже се да комп?утерски програм учи из искуства Е у односу на неку класу задатака Т и меру учинка П, ако се ?егов учинак на задацима у Т, мерено са П, побо?шава са искуством Е.“ Ова дефиници?а задатака у ко?има се машинско уче?е бави нуди фундаменталну оперативну дефиници?у, али не дефинише по?е у когнитивном смислу. Овом ?е следио предлог Алана Т?уринга у ?еговом раду ?Рачунарска машина и интелигенци?а”, у ко?ем се пита?е ?Могу ли машине да мисле?” заме?у?е пита?ем ?Могу ли машине да ураде оно што ми (као мисле?и ентитети) можемо?“.

Савремено машинско уче?е има два ци?а. ?едан ?е да се класифику?у подаци на основу модела ко?и су разви?ени; а други ?е да се на основу модела направе предви?а?а за буду?е исходе. Хипотетички алгоритам специфичан за класификаци?у података може да користи комп?утерски приказ младежа у комбинаци?и са надгледаним уче?ем како би се обучио да класифику?е канцерогене младеже. Алгоритам машинског уче?а за тргова?е акци?ама може информисати трговца о буду?им потенци?алним предви?а?има.

Види ?ош

• Алгоритам
• В?ештачка интелигенци?а
• Формалистичка теори?а процеса уче?а природних ?езика
• Когници?а

Литература

• Domingos, Pedro (22. 9. 2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. ISBN 978-0465065707. CS1 одржава?е: Формат датума (веза)
• Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4. Архивирано из оригинала 26. 7. 2020. г. Приступ?ено 18. 11. 2019. CS1 одржава?е: Формат датума (веза)
• Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3. Архивирано из оригинала 26. 7. 2020. г. Приступ?ено 22. 8. 2020. CS1 одржава?е: Формат датума (веза)
• Nils J. Nilsson, ?Introduction to Machine Learning”. Архивирано из оригинала 16. 08. 2019. г. Приступ?ено 09. 03. 2024. .
• David J. C. MacKay. Information Theory, Inference, and Learning Algorithms MacKay, David J. C. (2025-08-04). David MacKay: Information Theory, Inference, and Learning Algorithms: The Book. Cambridge University Press. ISBN 978-0-521-64298-9. Архивирано из оригинала 17. 2. 2016. г. CS1 одржава?е: Формат датума (веза) Cambridge: Cambridge University Press, 2003.
• Stuart Russell & Peter Norvig, (2009). Artificial Intelligence – A Modern Approach Russell, Stuart Jonathan; Norvig, Peter (2025-08-04). Artificial Intelligence: A Modern Approach. Pearson. ISBN 9789332543515. Архивирано из оригинала 28. 2. 2011. г. CS1 одржава?е: Формат датума (веза). Pearson,
• Kevin P. Murphy (2021). ?Probabilistic Machine Learning: An Introduction”. Архивирано из оригинала 11. 04. 2021. г. Приступ?ено 09. 03. 2024. , MIT Press.
• Sergios Theodoridis, Konstantinos Koutroumbas (2009) "Pattern Recognition", 4th Edition, Academic Press. ISBN 978-1-59749-272-0
• Ethem Alpayd?n Introduction to Machine Learning (Adaptive Computation and Machine Learning). 2004. ISBN 978-0-262-01211-9. . MIT Press,
• Bing Liu , Web Data Mining: Exploring Hyperlinks, Contents and Usage Data. 2007. ISBN 978-3-540-37881-5.  . Springer,
• Toby Segaran (2025-08-04). Programming Collective Intelligence. ISBN 978-0-596-52932-1. . O'Reilly
• Ray Solomonoff, "An Inductive Inference Machine" A privately circulated report from the 1956 Dartmouth Summer Research Conference on AI.
• Ray Solomonoff, An Inductive Inference Machine, IRE Convention Record, Section on Information Theory, Part 2, pp., 56-62, 1957.
• Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell , Machine Learning: An Artificial Intelligence Approach. 1983. ISBN 978-0-935382-05-1. . Tioga Publishing Company,
• Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell , Machine Learning: An Artificial Intelligence Approach, Volume II. 1986. ISBN 978-0-934613-00-2. . Morgan Kaufmann,
• Yves Kodratoff, Ryszard S. Michalski , Machine Learning: An Artificial Intelligence Approach, Volume III. 1990. ISBN 978-1-55860-119-2. . Morgan Kaufmann,
• Ryszard S. Michalski, George Tecuci , Machine Learning: A Multistrategy Approach. 1994. ISBN 978-1-55860-251-9. . Volume IV, Morgan Kaufmann,
• Bishop, C.M. . Neural Networks for Pattern Recognition. 1995. ISBN 978-0-19-853864-6. . Oxford University Press.
• Richard O. Duda, Peter E. Hart, David G. Stork Pattern classification (2nd изд.). 2001. ISBN 978-0-471-05669-0. . , Wiley, New York,
• Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning, Springer-Verlag, Berlin, Heidelberg, 260 pp. 96 illus., Hardcover, ISBN 978-3-540-31681-7
• KECMAN Vojislav (2001), Learning and Soft Computing, Support Vector Machines, Neural Networks and Fuzzy Logic Models, The MIT Press, Cambridge, MA, 608 pp., 268 illus., ISBN 978-0-262-11255-0
• Ian H. Witten and Eibe Frank Data Mining: Practical machine learning tools and techniques. ISBN 978-0-12-088407-0. . Morgan Kaufmann
• Sholom Weiss and Casimir Kulikowski (1991). Computer Systems That Learn. Morgan Kaufmann. ISBN 978-1-55860-065-2. 
• Mierswa, Ingo and Wurst, Michael and Klinkenberg, Ralf and Scholz, Martin and Euler, Timm: YALE: Rapid Prototyping for Complex Data Mining Tasks, in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-06), 2006.
• Trevor Hastie, Robert Tibshirani and Jerome Friedman (2001). The Elements of Statistical Learning. Springer. ISBN 978-0-387-95284-0. Архивирано из оригинала 10. 11. 2009. г. Приступ?ено 31. 08. 2018. 
• Vladimir Vapnik (1998). Statistical Learning Theory. Wiley-Interscience. ISBN 978-0-471-03003-4. 

Спо?аш?е везе

• International Machine Learning Society
• mloss is an academic database of open-source machine learning software.