AI FOR VET • POGLAVLJE 1

Optimizacija modela: Gradijentni spust

Kako modeli mašinskog učenja pronalaze optimalne težine i minimizuju grešku.

🎯 Learning Outcomes / Ishodi učenja:
  • Razumećete funkciju troška J(w) kao meru greške modela.
  • Naučićete kako gradijent određuje smer i korak korekcije težina.
  • Istražićete uticaj stope učenja (α): spora konvergencija vs divergencija.
  • Uočićete izazov lokalnih minimuma kod nekonveksnih problema.

Cilj mašinskog učenja je nalaženje težina $w$ koje minimizuju funkciju troška $J(w)$. Zamislite da se nalazite na planini po gustoj magli i želite da se spustite u dolinu: opipate nagib pod nogama i zakoračite u smeru najvećeg pada.

w ← w − α · (dJ / dw)

Gde je $w$ trenutna težina, α stopa učenja, a dJ/dw nagib (gradijent) funkcije troška.

🔬 Interactive Laboratory / Interaktivna laboratorija:

🔍 Guided Investigation / Istraživački zadatak:
  1. Normalna konvergencija: Ostavite Konveksna sa α = 0.15. Kliknite na Pokreni. Koliko epoha je potrebno do minimuma (w = 2.0)?
  2. Premala stopa: Postavite α = 0.01. Zašto se tačka kreće izuzetno sporo?
  3. Divergencija: Povećajte α ≥ 0.85. Zbog čega tačka preskače minimum i beži u beskonačnost?
  4. Lokalni minimum: Izaberite Nekonveksna sa početkom w = −2.2. Da li model stiže do lokalnog ili globalnog minimuma?