hrvatski

Moderne metode strojnog učenja

Strojno učenje bavi se rješavanjem problema koje je teško riješiti klasičnim pristupima. Podataka ima u izobilju i izazov je transformirati podatke u znanje tako da možemo zaključivati i predviđati. Strojno učenje povezano je sa statistikom, računarskom znanošću, umjetnom inteligencijom, raspoznavanjem uzoraka i dr. Učenje se svodi na optimizaciju parametara modela na temelju podataka. Tri su osnovna pristupa: - nadzirano učenje (klasifikacija i regresija) - nenadzirano učenje - podržano učenje Nadzirano učenje ima svrhu da na temelju ulaznih vrijednosti predviđa buduće vrijednosti. Radi se model koji koncizno objašnjava podatke. U sklopu klasifikacije i regresije poseban osvrt pridajemo modernim metodama strojnog učenja kao što su slučajne šume, Bagging, Boosting te na primjeru NBA sezone 2013/2014 primijeniti razmatrane metode za klasifikaciju i regresiju, te prezentirati i analizirati ostvarene rezultate. Usporedbom rezultata dolazimo do zaključka da istreniranim skupom podataka od prošle godine možemo s visokom točnosti predvidjeti buduće rezultate. Također treba imat u vidu razlog ovako visoke točnosti koja leži u činjenici da smo za svaki testirani skup imali izračunata četiri faktora. Stvarno predviđanje budućih susreta bi bilo da smo sami izračunali četiri faktora. U tom slučaju točnost bi bila puno lošija. Iz dobivenih rezultata koji proizlaze iz ovog rada zaključujemo da linearna regresija donosi najbolje rezultate kad se primjenjuje za predviđanje rezultata košarkaških susreta.

strojno učenje; linearna regresija; slučajne šume; bagging; boosting; metoda potpornih vektora

nije evidentirano