Koji su glavni tipovi strojnog učenja?

Question

Accepted Answer

Strojno učenje ima tri glavna tipa — **nadgledano učenje** (učenje iz označenih primjera), **nenadgledano učenje** (pronalaženje obrazaca u neoznačenim podacima) i **učenje uz pojačanje** (učenje kroz pokušaj i nagradu). Razumijevanje tih tipova pojašnjava kako ML pristupa različitim problemima.

## Tri glavna tipa

```text
SUPERVISED LEARNING → learn from LABELED data (input → known correct output):
  → trained on examples with answers → learns to predict outputs for new inputs
  → for: classification (categorize), regression (predict numbers)
  → e.g. spam detection (labeled spam/not-spam), price prediction
UNSUPERVISED LEARNING → find patterns in UNLABELED data (no given answers):
  → discovers structure/groupings on its own
  → for: clustering (group similar items), dimensionality reduction, anomaly detection
  → e.g. customer segmentation, finding patterns
REINFORCEMENT LEARNING → learn through TRIAL and ERROR with REWARDS:
  → an agent takes actions, gets rewards/penalties, learns to maximize reward over time
  → for: game playing, robotics, control, decision-making
```

## Izbor tipa

```text
→ have LABELED data + want to predict outputs → SUPERVISED (most common in practice)
→ have unlabeled data + want to find structure → UNSUPERVISED
→ an agent learning from interaction/rewards → REINFORCEMENT
→ (also: semi-supervised, self-supervised — hybrids; LLMs use self-supervised learning)
```

## Zašto je to važno

Razumijevanje glavnih tipova strojnog učenja je temeljno jer predstavljaju **osnovne načine na koje ML pristupa problemima**, tako da je razumijevanje tih tipova osnovna ML pismenost.

Tri glavna tipa su pogodni za različite probleme i podatke.

Razumijevanje **nadziranog učenja** (učenje iz označenih podataka gdje ulazi imaju poznate ispravne rezultate, za predviđanje rezultata za nove ulaze, koristi se za klasifikaciju i regresiju — najčešće korišten tip u praksi, npr. detekcija neželjene pošte i predviđanje cijena) je najvažnije za razumijevanje, jer je temelj većine praktičnih ML aplikacija.

Razumijevanje **nenadziravnog učenja** (pronalaženje obrazaca u neoznačenim podacima bez zadanih odgovora, otkrivanje strukture i gruiranja, koristi se za klasteriranje, smanjenje dimenzionalnosti i detekciju anomalija, npr. segmentacija kupaca) pojašnjava kako ML nalazi obrasce bez oznaka.

Razumijevanje **učenja uz pojačanje** (učenje kroz pokušaj i grešku s nagradama, gdje agent poduzima akcije i uči maksimizirati nagradu, koristi se za igranje igara, robotiku i upravljanje) pojašnjava pristup učenja temeljenim na interakciji.

Razumijevanje **kako odabrati** — nadgledano kada imate označene podatke i želite predviđati, nenadzirano za pronalaženje strukture u neoznačenim podacima, pojačano za agente koji uče iz interakcije — i da postoje hibridi (polunadzirано, samo-nadgledano, s LLM-ima koji koriste samo-nadgledano učenje) odražava praktično razumijevanje ML pristupa.

Ti tipovi su fundamentalne kategorije kako ML uči, a razumijevanje tih tipova je bitno za raspravljanje i primjenu ML-a.

Budući da glavni tipovi strojnog učenja (nadgledani, nenadzirani, pojačani) predstavljaju osnovne načine na koje ML pristupa problemima i razumijevanje tih tipova te kada se svaki primjenjuje je osnovna ML pismenost, razumijevanje glavnih tipova strojnog učenja je bitno, temeljno znanje — osnovne kategorije ML-a (učenje iz oznaka, pronalaženje obrazaca, učenje iz nagrada), osnovna ML pismenost za razumijevanje kako ML pristupa različitim problemima i temelj za rad ili raspravu o strojnom učenju.