Machine Learning
( Învățare Automată)

Ce este Machine Learning?

Machine Learning (ML) sau Învățarea Automată este disciplina în domeniul inteligenței artificiale, axată pe dezvoltarea algoritmilor care învață din date și generează predicții fără a fi programați explicit pentru fiecare sarcină. În loc să primească reguli fixe, algoritmii ML descoperă singuri tipare și reguli din exemplele pe care le analizează.

Linia de producție: „Machine Learning”

În „linia de producție”, Machine Learning este abordarea prin care nu „programăm manual” fiecare regulă, ci lăsăm sistemul să-și ajusteze singur reglajele pe baza datelor.

• În programarea clasică: oamenii scriu regulile (linia de producție are reglaje fixe)
• În ML: linia de producție își învață reglajele din exemple (reglajele devin modelul)

Practic, ML este „metoda de construcție” care leagă: date → antrenament → model.

De ce este important?

Machine Learning a revoluționat tehnologia prin:

• Scalabilitate — poate analiza miliarde de exemple, imposibil pentru un om
• Adaptabilitate — se îmbunătățește continuu pe măsură ce primește date noi
• Descoperire — identifică tipare pe care oamenii nu le-ar observa niciodată

Programare Tradițională	Machine Learning
Programatorul scrie regulile	Mașina descoperă regulile
dacă cuvinte_spam > 5 atunci spam	Modelul învață ce face un email să fie spam
Reguli fixe, nu se adaptează	Se îmbunătățește cu date noi
Funcționează pentru probleme simple	Funcționează pentru probleme complexe

Cum funcționează?

%%{init: {'themeVariables': { 'fontSize': '18px', 'subGraphTitleFontSize': '22px', 'fontFamily': 'Open Sans' }}}%%
flowchart LR
    subgraph TRAD["Programare Tradițională"]
        T1["Date + Reguli"] --> T2["Program"] --> T3["Rezultate"]
    end

    style TRAD fill:#CFE8F3,color:#000

%%{init: {'themeVariables': { 'fontSize': '18px', 'subGraphTitleFontSize': '22px', 'fontFamily': 'Open Sans' }}}%%
flowchart LR 
    subgraph ML["Machine Learning"]
        M1["Date + Rezultate dorite"] --> M2["Algoritm ML"] --> M3["Reguli/Model"]
    end

    style ML fill:#FFF2D4,color:#000

În programarea tradițională, omul definește regulile. În ML, mașina descoperă regulile din date.

Tipuri de Machine Learning

Algoritmii de machine learning sunt clasificați în funcție de modul de învățare (tipul de date folosite) și de scopul final al sarcinii executate. Cele trei categorii principale sunt:

Învățare supervizată

Algoritmul primește date etichetate — adică răspunsul corect pentru fiecare exemplu.

%%{init: {'themeVariables': { 'fontSize': '18px', 'subGraphTitleFontSize': '22px', 'fontFamily': 'Open Sans' }}}%%
flowchart LR
    I["Imagine + etichetă 'pisică'"] --> A["Algoritm"] --> M["Model"]
    
    style I fill:#DCEDD9,color:#000

Exemple:

• Recunoaștere imagini
• Clasificare email (spam/nu spam)
• Predicție prețuri case

Analogie: Un elev care învață cu un profesor care îi corectează temele.

Învățare nesupervizată

Algoritmul primește date fără etichete și trebuie să descopere structuri singur.

%%{init: {'themeVariables': { 'fontSize': '18px', 'subGraphTitleFontSize': '22px', 'fontFamily': 'Open Sans' }}}%%
flowchart LR
    I["Imagini fără etichete"] --> A["Algoritm"] --> M["Grupuri descoperite"]
    
    style I fill:#DCEDD9,color:#000

Exemple:

• Segmentarea clienților în grupuri
• Detectarea anomaliilor
• Reducerea dimensionalității datelor

Analogie: Un copil care sortează jucării după cum i se pare lui că se potrivesc.

Învățare prin consolidare (sau prin recompensă)

Algoritmul învață prin încercare și eroare, primind recompense sau penalizări.

%%{init: {'themeVariables': { 'fontSize': '18px', 'subGraphTitleFontSize': '22px', 'fontFamily': 'Open Sans' }}}%%
flowchart LR
    A["Agent"] --> E["Acțiune în mediu"]
    E --> R["Recompensă/Penalizare"]
    R --> A
    
    style A fill:#DCEDD9,color:#000

Exemple:

• Jocuri (AlphaGo, jocuri video)
• Roboți care învață să meargă
• Sisteme de recomandare

Analogie: Antrenarea unui câine cu recompense pentru comportament bun.

Exemple

Netflix

Tip ML: Învățare supervizată + nesupervizată

Ce învață:

• Ce filme îți plac (din rating-uri și vizionări)
• Grupuri de utilizatori cu gusturi similare
• Tipare în preferințe (actori, genuri, durate)

Rezultat: „Recomandate pentru tine” — filme pe care probabil le vei aprecia.

Gmail Spam Filter

Tip ML: Învățare supervizată

Ce învață:

• Cuvinte asociate cu spam
• Structura emailurilor spam
• Comportamentul tău (ce marchezi ca spam)

Rezultat: Filtrează automat o mare parte din spam.

Tesla Autopilot

Tip ML: Învățare supervizată + prin recompensă

Ce învață:

• Recunoașterea benzilor, mașinilor, pietonilor
• Comportamentul corect în trafic
• Reacții la situații neprevăzute, când să frâneze, să accelereze

Rezultat: Condus semi-autonom pe autostradă.

Ciclul Machine Learning

%%{init: {'themeVariables': { 'fontSize': '18px', 'subGraphTitleFontSize': '22px', 'fontFamily': 'Open Sans' }}}%%
flowchart TB
    D["1 📦 Colectare Date"] --> P["2 🧹 Pregătire Date"]
    P --> T["3 🎯 Antrenament Model"]
    T --> E["4 📊 Evaluare"]
    E --> |"Performanță slabă"| T
    E --> |"Performanță bună"| DEP["5 🚀 Implementare"]
    DEP --> MON["6 📈 Monitorizare"]
    MON --> |"Date noi"| D

    style D fill:#CFE8F3,color:#000
    style P fill:#CFE8F3,color:#000
    style T fill:#DCEDD9,color:#000
    style E fill:#FFF2D4,color:#000
    style DEP fill:#F5CBDF,color:#000
    style MON fill:#EB99C2,color:#000

Etapele antrenamentului

1. Pregătirea datelor

Presupune transformarea datelor într-un format adecvat pentru etapa următoare și de obicei implică:

• Colectarea și Curățarea datelor
• Împărțirea în set de antrenament (80%) și testare (20%)
• Etichetarea datelor (dacă este învățare supervizată)

2. Inițializarea

• Algoritmul pornește cu parametri aleatori
• Primele predicții sunt aproape la întâmplare

3. Iterația

Mașina face o încercare, vede cât de mult a greșit față de realitate și își ajustează setările interne pentru a greși mai puțin data viitoare.

• Algoritmul vede fiecare exemplu
• Face o predicție
• Primește feedback (cât de departe a fost de răspunsul corect)
• Își ajustează parametrii

4. Testarea și Evaluarea

Implică utilizarea setului de date de testare, generat în etapa anterioară, pentru a evalua performanța modelului antrenat.

• Se testează pe date pe care NU le-a văzut
• Se măsoară performanța (acuratețe, precizie)
• Se decide dacă e nevoie de mai mult antrenament

Cum se leagă de alte concepte?

%%{init: {'themeVariables': { 'fontSize': '18px', 'subGraphTitleFontSize': '22px', 'fontFamily': 'Open Sans' }}}%%
flowchart LR
    D[Date] --> ANT[Antrenament]
    ALG[Algoritm] --> ANT
    ANT --> ML[<b>MACHINE<br>LEARNING</b><br>Tu ești aici]:::current
    ML --> M[Model AI]
    
    classDef current fill:#CFE8F3,stroke:#000000,stroke-width:1px

Concept	Relația cu Machine Learning
Algoritm	ML FOLOSEȘTE algoritmi specifici pentru învățare
Antrenament	Antrenamentul ESTE procesul prin care ML creează modele
Model AI	Modelul ESTE rezultatul utilizării metodei ML

---

Termeni asociați: → Algoritm | → Antrenament | → Model AI | → Pattern

---

← Algoritm

Antrenament →