# UI Suputnik — Susret 15: Neuronske mreže i evaluacija modela

> Interaktivna stranica za istraživanje pojmova iz susreta 15: umjetni neuron, backpropagation, matrica zabune i prag odlučivanja, ROC/AUC te regresijske metrike. Vodeća nit: mreža uči ispravljajući vlastite greške, a evaluacija je mjerenje grešaka koje su ostale.

Kanonska stranica: https://dragutinoreski.com/courses/ui-suputnik/susret-15/

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

Važna razlika koja nosi cijeli susret: **treniranje mijenja model** (mijenja težine), a **evaluacija ne mijenja model** — ona mjeri ponašanje na podacima koje model nije vidio.

## Moduli

### 1. Igraonica neurona

Jedan umjetni neuron na primjeru odluke „hoću li ponijeti kišobran?” s tri ulaza (tamni oblaci, vlažnost zraka, prognoza kiše). Polaznik pomiče vrijednosti ulaza, težine (w1–w3) i sklonost/bias, te bira aktivacijsku funkciju (step, sigmoida, ReLU). Prikazuje se ponderirana suma z = Σwx + b, doprinos svakog ulaza, te „lampica” s konačnom odlukom. Zelena veza gura odluku prema „da”, crvena prema „ne”. Cilj: shvatiti da je neuron samo ponderirana suma + prag + aktivacija.

### 2. Backpropagation uživo

Malena mreža (2 ulaza → 2 skrivena neurona → 1 izlaz) uči pravilo XOR. Gumbom „Korak” izvodi se jedna epoha i prati se ciklus učenja: predikcija → mjerenje pogreške → propagacija odgovornosti unatrag → ispravak težina. Krivulja pogreške (MSE) najprije stoji na platou, pa naglo padne kad mreža „provali” obrazac. Tablica pokazuje kako se sve četiri predikcije približavaju točnim odgovorima (0, 1, 1, 0). Pouka: jedan neuron ne može naučiti XOR, tek skriveni sloj omogućuje učenje „zakrivljenog” obrasca.

### 3. Premalo i previše naučeno (podsjetnik)

Statična usporedba underfittinga, dobre ravnoteže i overfittinga kroz grešku na skupu za učenje i na test skupu. Naglašava da model testiramo na neviđenim podacima (npr. podjela 80:20) i da je velik jaz između male greške na učenju i velike na testu znak overfittinga.

### 4. Matrica zabune, prag i ROC

Populacija od ~50 slučajeva s vjerojatnostima (score). Polaznik bira scenarij (otkrivanje prijevare, probir na bolest, spam filter) i pomiče prag odlučivanja. Uživo se preračunavaju matrica zabune (TP, FP, FN, TN) i metrike accuracy, precision, recall, F1. Beeswarm prikaz pokazuje kako pomicanje praga pretvara promašaje (FN) u pogotke (TP) i obrnuto. Uz to se crta ROC krivulja s trenutnom točkom praga, računa AUC i omogućuje usporedba s osrednjim i nasumičnim modelom. Svaki scenarij ima priču koja metrika je najvažnija i zašto, uz napomenu da kod jako nebalansiranih podataka PR-krivulja zna biti iskrenija od ROC-a.

### 5. Regresijske metrike

Dijagram stvarno vs predviđeno s dijagonalom savršene predikcije. Polaznik vuče točke ili dodaje outlier i promatra MAE, MSE, RMSE i R². Pokazuje da outlier dramatično napuhne MSE i RMSE (jer kvadriraju grešku), dok MAE reagira blaže, a R² pada.

### 6. Kratki kviz

Četiri pitanja s trenutnim povratnim informacijama: zamka točnosti kod nebalansiranih klasa, što backpropagation radi s pojedinom težinom, izbor metrike i praga u otkrivanju prijevare, te osjetljivost metrika na outliere.

## Pitanja Za Vježbu

- Kada je važniji recall, a kada preciznost? Navedi primjer iz svake skupine.
- Zašto accuracy zavarava kod nebalansiranih klasa?
- Što se događa s precision i recall kad spustiš prag, a što kad ga podigneš?
- Kako iz oblika ROC krivulje i vrijednosti AUC prepoznaš dobar model?
- Zašto se MAE i RMSE razilaze kad u podacima postoji outlier?
- Po čemu se razlikuju underfitting i overfitting na skupu za učenje i na test skupu?