THE БИГ ДАТА И МАШИНСКО УЧЕЊЕ
Сажетак
Циљ овог рада је да прикаже напредне методе за тражење нових знања, садржаних у БИГ ДАТА, огромним, растућим скуповима података и технологији. У том циљу је освијетљено машинско учење, наука која обучава рачунаре да анализирају податке и решавају задатке без потребе да буду, експлицитно, програмирани да то раде. Приказане су подобласти машинског учења, као дијела вјештачке интелигенције, којима се решавају наведени проблеми. Подобласти класичног машинског учења су надгледано учење (класификација и регресија), ненадгледано учење (кластеринг, претраживање образаца, смањење димензионалности), вектор машине подршке и стабло одлучивања. Подобласти савременог машинског учења су појачано учење, ансамбл метода, неуронске мреже и дубоко учење, и Бајесове мреже, као специјална, додатна подобласт и метода у области машинског учења. Рад и резултати овог рада су значајни због тога што су описане методе машинског учења незаобилазне, с нагласком да ће да им се повећава значај, јер је реално очекивање да ће БИГ ДАТА технологија да се развија, с тенденцијом апсорбовања нових података из мноштва извора, стварајући нове изворе знања. Wеб 2.0, са својим Гоогле апликацијама, блоговима, википедијом, друштвеним мрежама, Фејсбооком, фолксономијама, дијељењем видеозаписа онлине, Wеб мобилним апликацијама, само је један од тих неисцрпних извора података. Знање се добија из анализе података.
