Što su neuronske mreže?

Question

Accepted Answer

**Neuronske mreže** su računalni sustavi labavo inspirirani mozgom — sastavljeni od međusobno povezanih **čvorova (neurona)** organiziranih u slojevima koji uče oblike iz podataka. One su temelj dubokog učenja i moderne AI.

## Što je neuronska mreža

```text
NEURAL NETWORK → layers of connected NODES (neurons) that process data:
  → INPUT layer (receives data) → HIDDEN layer(s) (process/transform) → OUTPUT layer (result)
  → each connection has a WEIGHT; neurons combine inputs, apply an activation function
  → the network LEARNS by adjusting weights to map inputs to correct outputs
→ loosely inspired by the brain's neurons (but a mathematical model)
```

## Kako se uče

```text
TRAINING → adjust the weights so the network produces correct outputs:
  1. FORWARD PASS → input flows through, producing an output
  2. compare output to the correct answer → compute the ERROR (loss)
  3. BACKPROPAGATION → adjust weights to reduce the error (gradient descent)
  4. repeat over MANY examples → the network learns the patterns
→ learning = finding the weights that minimize error on the training data
```

## Duboke neuronske mreže

```text
DEEP learning → neural networks with MANY hidden layers (deep):
  → more layers → learn more complex, hierarchical patterns
  → powers modern AI: image recognition (CNNs), language (transformers/LLMs), etc.
  → needs lots of data and compute, but achieves remarkable results
→ depth enables learning complex representations
```

## Zašto je važno

Razumijevanje neuronskih mreža je vrijedno jer su **temelj dubokog učenja i moderne AI**, pa razumijevanje njih pruža osnovna uvida u kako moderna AI funkcionira.

Neuronske mreže — slojevi povezanih čvorova (neurona) koji uče oblike iz podataka — leže u podlozi dubokog učenja koje omogućava većinu modernih AI proboja.

Razumijevanje **što je neuronska mreža** — slojevi povezanih čvorova (ulazni, skriveni, izlazni) gdje veze imaju težine, neuroni kombiniraju ulaze i primjenjuju aktivacijske funkcije, te se mreža uči prilagođavanjem težina da mapira ulaze u izlaze — pruža osnovni konceptualni model kako ti sustavi funkcioniraju (matematički model labavo inspiriran mozgom).

Razumijevanje **kako se uče** — trening prilagođavanjem težina kroz forward prolaze (proizvodenje izlaza), računanje greške u odnosu na ispravne odgovore, **backpropagation** (prilagođavanje težina za smanjenje greške putem gradient descent), i ponavljanje preko mnogih primjera — pojašnjava temeljni mehanizam učenja (pronalaženje težina koje minimiziraju grešku), demistificirajući kako AI sustavi uče iz podataka.

Razumijevanje **dubokih neuronskih mreža** — mreže s mnogim skrivenim slojevima (duboke), gdje više slojeva uči kompleksnije hijerarhijske oblike, pokretne moderne AI (CNN za slike, transformeri/LLM za jezik), trebajući puno podataka i računalne moći — povezuje neuronske mreže s dubokim učenjem iza moderne AI.

Ovo osnovno razumijevanje neuronskih mreža (struktura, učenje putem prilagođavanja težina i backpropagation, dubina omogućavajući kompleksnost) pruža uvida kako moderna AI fundamentalno funkcionira, vrijedno dok AI postaje sveobuhvatna.

Budući da su neuronske mreže temelj dubokog učenja i moderne AI i razumijevanje njih (njihova struktura, kako se uče putem prilagođavanja težina i backpropagation, te kako dubina omogućava složeno učenje obrazaca) pruža osnovna uvida kako moderna AI funkcionira, razumijevanje neuronskih mreža je vrijedno, fundamentalno AI znanje — temelj dubokog učenja i moderne AI, pružajući osnovno razumijevanje kako AI sustavi uče iz podataka, i vrijedno konceptualno znanje kako AI postaje sve važniji across tehnologiju.