Korak 01

Što je
neuron?

Neuron je osnovna jedinica mreže. Poput neurona u mozgu, prima ulazne signale, obrađuje ih i šalje rezultat dalje.

Svaki ulaz x množi se s težinom w — broj koji govori koliko je taj ulaz važan. Zatim se sve zbroji, doda bias b (slobodni pomak), i propusti kroz aktivacijsku funkciju f().

y = f( w₁·x₁ + w₂·x₂ + b )
── f = aktivacijska funkcija (npr. ReLU)
── w = težine ·  b = bias (pomak)
── x = ulazne vrijednosti

💡 Analogija Zamisli da procjenjuješ je li film dobar. Ulazi su: ocjena kritičara, preporuka prijatelja, omiljeni žanr. Svaki faktor ima svoju težinu — prijatelju možda vjeruješ više nego kritičarima. Bias je tvoja generalna sklonost gledanju filmova čak i bez preporuka.

Promijeni težinu w₁ — prati kako se izlaz mijenja

1.5

Promijeni bias b

0.0

Izlaz neurona

f(w·x + b) = —

Korak 02

Slojevi
mreže

Neuroni su složeni u slojeve. Ulazni sloj prima sirove podatke (piksel, broj, zvuk...), jedan ili više skrivenih slojeva uče sve apstraktnije uzorke, a izlazni sloj daje konačni odgovor.

U prvom skrivenom sloju mreža uči jednostavne uzorke (rubovi, boje). U dubljim slojevima kombinira ih u složenije koncepte (nos, uho, lice). To se zove hijerarhijsko učenje — upravo ono što čini duboko učenje moćnim.

📊 Primjer iz prakse GPT-4 ima oko 1.8 bilijuna parametara. ResNet-50 (prepoznavanje slika) ima ~25 milijuna. Tvoja mreža ispod možda ima 50–200 parametara — ali isti princip!

Neuroni po sloju

Broj skrivenih slojeva

Ukupno parametara: —
Težine: — · Biasevi: —

Mala (3-4-2) Srednja (4-6-3) Velika (5-8-4)

Korak 03

Forward
pass

Forward pass je putovanje podataka kroz mrežu od ulaza prema izlazu — uvijek u jednom smjeru. To se događa pri svakom predviđanju: unesemo podatak, signal putuje kroz sve slojeve i dobijemo odgovor.

Svaki neuron u svakom sloju uzima aktivacije prethodnog sloja, množi ih s težinama, zbroji, dodaje bias i propušta kroz aktivacijsku funkciju. Na kraju softmax pretvara izlaze u postotke (vjerojatnosti).

⚡ Zašto je to važno? Forward pass je jedino što se događa pri korištenju mreže (npr. ChatGPT odgovara na pitanje). Backpropagation — koji popravlja greške — odvija se samo za vrijeme treniranja, ne pri korištenju.

Odaberi primjer — što mreža "vidi"?

Izlaz mreže (vjerojatnost)

Korak 04

Aktivacijske
funkcije

Zamislimo mrežu bez aktivacijske funkcije: koliko god slojeva stavili, cijela mreža svodi se na jednu linearnu jednadžbu — ravnu crtu. Takva mreža ne može naučiti razlikovati mačke od pasa jer te razlike nisu linearne.

Aktivacijska funkcija dodaje nelinearnost: "zakvači" ili "savije" signal na pametan način. Svaka funkcija ima drugačija svojstva — odabir ovisi o zadatku i poziciji u mreži.

🧠 Koji se koristi gdje? ReLU / Leaky ReLU — skriveni slojevi (CNN, MLP)
Sigmoid — binarni izlaz (da/ne)
Softmax — višeklasni izlaz (vjerojatnosti)
Tanh — rekurentne mreže (LSTM)

ReLU(x) = max(0, x)
── brza, jednostavna
── standard za skrivene slojeve
── problem: "mrtvi" neuroni za x<0

Usporedba: linearno vs. nelinearno

linearno
= ravna crta

nelinearno
= uči uzorke

Korak 05

Kako mreža
uči?

Mreža počinje s nasumičnim težinama — ne zna ništa. Zatim joj damo primjere s poznatim odgovorima. Za svaki primjer:

1. Napravi predviđanje (forward pass)
2. Izmjeri grešku — koliko je predviđanje pogrešno
3. Propagiraj grešku unatrag (backpropagation)
4. Svaku težinu malo promijeni u smjeru koji smanjuje grešku

Ovaj proces se ponavlja tisuće puta. Learning rate η kontrolira koliki korak napravimo pri svakom ažuriranju — premali je spor, preveliki "preskače" optimum i divergira.

🎯 Pokušaj sam Postavi visoki learning rate (0.3+) — vidi kako gubitak "skače" umjesto da pada glatko. Postavi mali (0.005) — pada sporo ali stabilno. Ovo je jedan od ključnih izazova u treniranju pravih mreža.

// greška
L = ½ · (y_pred − y_true)²

// ažuriranje težina
w ← w − η · ∂L/∂w

Learning rate η (stopa učenja)

0.050

Epoha

Gubitak

—

Točnost

—

Live težine (prvih 20)

Kako radi neuronska mreža — Interaktivni vodič za početnike

Neuronska mreža je računalni sustav inspiriran načinom na koji neuroni u mozgu prenose i obrađuju informacije. Koristi se u prepoznavanju slika, obradi govora, prijevodu teksta, medicinskoj dijagnostici i tisućama drugih primjena. Ovaj interaktivni vodič objašnjava kako ona funkcionira — od osnovnog neurona do procesa učenja — bez potrebe za matematičkim predznanjem.

Što je neuron u neuronskoj mreži?

Umjetni neuron prima jedan ili više ulaznih podataka, množi ih s težinama, zbraja rezultate, dodaje bias i propušta kroz aktivacijsku funkciju. Težine određuju koliko je svaki ulaz važan, a bias omogućuje neuronu da se aktivira i kada su svi ulazi nula. Skup takvih neurona složenih u slojeve čini neuronsku mrežu.

Što je forward pass?

Forward pass je proces u kojem ulazni podaci putuju kroz mrežu sloj po sloj od ulaza prema izlazu. Svaki neuron obradi signal i proslijedi ga dalje. Na kraju izlazni sloj daje predviđanje — na primjer, koje je životinja na slici, ili je li email spam. Forward pass se odvija i za vrijeme treniranja i za vrijeme korištenja mreže.

Kako neuronska mreža uči?

Mreža uči kroz proces koji se zove backpropagation (propagacija greške unatrag) u kombinaciji s gradient descentom. Mreža počinje s nasumičnim težinama, napravi predviđanje, izmjeri koliko je predviđanje pogrešno (loss funkcija), a zatim prilagodi svaku težinu u smjeru koji smanjuje grešku. Ovaj proces se ponavlja tisuće do milijuna puta na velikim skupovima podataka.

Često postavljana pitanja

Koliko neurona treba imati mreža?

Ovisi o problemu. Za jednostavne zadatke (klasifikacija s malo klasa) dovoljna je mreža s 1–2 skrivena sloja i 16–64 neurona po sloju. Za prepoznavanje slika ili obrade prirodnog jezika koriste se mreže s milijunima do milijardi parametara.

Koja je razlika između neuronske mreže i dubokog učenja?

Duboko učenje (deep learning) je podskup strojnog učenja koji koristi neuronske mreže s više skrivenih slojeva. "Duboko" se odnosi na broj slojeva — mreže s 3+ skrivena sloja smatraju se dubokim. Moderni AI sustavi poput GPT-4 ili Stable Diffusion su primjeri dubokih neuronskih mreža.

Što je overfitting?

Overfitting se događa kada mreža "zapamti" podatke za treniranje umjesto da nauči opće uzorke. Takva mreža izvrsno radi na podacima koje je vidjela, ali loše na novim podacima. Rješenja uključuju dropout, regularizaciju, više podataka ili manju mrežu.

Koje programske biblioteke se koriste za neuronske mreže?

Najpopularnije su PyTorch (Meta) i TensorFlow/Keras (Google), obje za Python. Za početnike je Keras najjednostavniji ulaz. PyTorch dominira u istraživanjima, dok se TensorFlow često koristi u produkcijskim sustavima.

Što je learning rate i zašto je važan?

Learning rate (η) kontrolira veličinu koraka pri ažuriranju težina. Previše visok learning rate uzrokuje nestabilno učenje — loss "skače" i mreža ne konvergira. Previše nizak je spor. Moderni optimizatori poput Adam automatski prilagođavaju learning rate za svaku težinu zasebno.

Kako radiNeuronska mreža?

Što jeneuron?

Slojevimreže

Forwardpass

Aktivacijskefunkcije

Kako mrežauči?