# UI Suputnik - Susret 05: Strojno učenje i pristranost

> Interaktivna stranica za istraživanje pojmova iz susreta 05: preporuke sadržaja, pristranost podataka, kreditna procjena, neuravnotežene klase i povratne petlje.

Kanonska stranica: https://dragutinoreski.com/courses/ui-suputnik/susret-05/

Početna stranica kolegija: https://dragutinoreski.com/courses/ui-suputnik/

## Moduli

### 1. Preporuke sadržaja

Vježba simulira naslovnicu Netflixa. Polaznik ocjenjuje nekoliko već pogledanih naslova, podešava koliko sustav vjeruje sličnim gledateljima i popularnosti, a zatim promatra kako se mijenja rang preporuka. Prikazuju se profil žanrova, sličnost s drugim gledateljima, mini matrica ocjena i objašnjenje zašto je prvi naslov preporučen.

### 2. Waldovi avioni

Klikom se označavaju dijelovi aviona koje bi trebalo ojačati. Nakon otkrivanja prikazuju se kritične zone koje nisu vidljive u podacima o avionima koji su se vratili. Modul služi za razumijevanje pristranosti preživjelih.

### 3. Kreditna procjena

Klizači mijenjaju povijesne stope odobravanja za dvije skupine i snagu oslanjanja modela na pristranu povijest. Prikazuje se omjer nerazmjernog učinka i prolazi li ishod pravilo 4/5.

### 4. Paradoks točnosti

Klizači mijenjaju učestalost prijevara, odziv i stopu lažnih uzbuna. Matrica zabune pokazuje zašto visoka točnost može zavarati kad su klase neuravnotežene.

### 5. Petlja pojačavanja

Mapa kvartova pokazuje kako sustav koji šalje patrole ondje gdje je prethodno bilo najviše uhićenja može stvoriti samopotvrđujuću povratnu petlju, čak i kad je stvarna stopa događaja svugdje jednaka.

## Pitanja Za Vježbu

- Koji su podaci potrebni za dobar model, a koji podaci nedostaju?
- Koji signal bi mogao biti zamjena za osjetljivu karakteristiku?
- Koja je razlika između korelacije koju model koristi i objašnjenja koje čovjek treba?
- Kada je točnost dovoljna, a kada treba gledati preciznost, odziv i trošak pogreške?
- Kako prepoznati da model uči iz vlastitih prošlih odluka?