AI FOR VET • POGLAVLJE 4.5

Nenadgledano učenje: K-sredine (K-Means klasterovanje)

Kako mašina samostalno otkriva skrivene obrasce i grupe u podacima bez pomoći nastavnika ili oznaka?

🎯 Ishodi učenja (Šta ćete savladati):

1. Učenje bez unapred poznatih odgovora

Za razliku od nadgledanog učenja gde imamo tačne labele (npr. "ispravan" ili "defektan"), kod nenadgledanog učenja imamo samo sirove podatke (npr. senzorska očitavanja potrošnje struje i temperature mašina). Cilj algoritma K-sredina (K-Means) jeste da samostalno grupiše podatke u $K$ kompaktnih celina.

2. Dva koraka koji se ponavljaju

  1. Korak dodele: Svaka tačka se povezuje sa njoj najbližim centroidom (centrom grupe).
  2. Korak ažuriranja: Svaki centroid se pomera tačno u težište (prosek koordinata) tačaka koje su mu dodeljene.

Ova dva koraka se ponavljaju sve dok se centroidi više ne pomeraju — tada je algoritam konvergirao!

3. Interaktivna laboratorija

Kliknite na Sledeći korak da biste pratili fazu po fazu, ili na Pokreni za automatsko obučavanje. Isprobajte dugme Novi početni centroidi da vidite kako slučajni start menja konvergenciju.

🔬 Istraživački zadatak za učenike:

  1. Korak po korak: Postavite $K=3$ na skupu "3 prirodna klastera". Kliknite nekoliko puta na Sledeći korak. Primetite kako se linije prvo vezuju za najbliži centar, a zatim se u sledećem koraku centri pomeraju u središte. Koliko koraka je trebalo do stabilizacije?
  2. Metoda lakta: Pogledajte desni mini-grafik "Metoda lakta". Zašto kriva naglo pada od $K=1$ do $K=3$, a zatim od $K=3$ do $K=6$ pad postaje znatno blaži? Koji broj klastera predstavlja "prelom lakta"?
  3. Preveliko K: Povećajte $K$ na 5 ili 6. Šta se desilo sa prirodnim grupama?
  4. Dodavanje anomalija: Kliknite na platno daleko od postojećih klastera i dodajte nekoliko novih tačaka. Pokrenite algoritam ponovo — šta se dešava sa najbližim centroidom?