—
GitHub je danas ne samo skladište koda, već i najveća škola za strojno učenje (ML) u Pythonu. Tamo naćiš projekte koji su kao gotovi laboratoriji za eksperimentiranje – od jednostavnih vježbi za početnike do kompleksnih sustava koji koriste najnovije tehnologije poput transformera ili difuzijskih modela. Ako se baviš ML-om, ali ne znaš odakle početi, ili ako tražiš inspiraciju za svoj prvi doprinos zajednici, ovaj članak je za tebe.
U ovom vodiču nećemo samo popisati projekte, već ti objasniti kako ih koristiti, koje alate koriste, i kako ih prilagoditi svojim potrebama. Pripremi se za praktične savjete, primjere koda i poredbe koje će ti pomoći izabrati pravi projekt – bez teorije koja nikada ne dolazi do praxe.
—
Zašto Python i GitHub za strojno učenje?
Python je jezik broj jedan za strojno učenje zbog svoje jednostavnosti, bogate biblioteke i zajednice. GitHub, s druge strane, je platforma koja omogućava kolaboraciju, verzioniranje i pristup open-source resursima – sve što ti treba da učis, eksperimentiraš i doprineseš zajednici.
Zašto upravo GitHub?
– Otvoreni kod: Možeš vidjeti kako funkcioniraju popularni ML modeli, a ne samo koristiti ih.
– Komentari i dokumentacija: Svaki projekt ima objašnjenja od drugih korisnika, što čini učenje lakšim.
– Doprinos zajednici: Možeš poboljšati postojeće projekte ili započeti svoj.
– Trendovi u realnom vremenu: GitHub pokazuje koje projekte najčešće koriste i koje su najaktivnije.
Trenutno, najpopularnije projekte na GitHubu za ML čine TensorFlow, PyTorch i scikit-learn, ali postoji i mnoga manje poznata, ali izuzetno korisna skladišta koja vrijede posjetiti.
—
Najbolji Python projekti za strojno učenje na GitHubu (2024)
Ovdje ćemo razvrstati projekte prema razini složenosti i primjeni, tako da možeš brzo pronaći ono što ti odgovara. Od prvih koraka u ML-u do naprednih projekata za istraživače.
—
1. Projekti za početnike: Učimo osnovne koncepte
Ako si novak u ML-u, ali želiš praktično eksperimentirati, ovi projekti su idealni za početak. Svi su dobro dokumentirani i koriste jednostavne podatke koji lako možeš mijenjati.
🔹 Handwritten Digit Recognition with scikit-learn (GitHub)
🔗 https://github.com/rasbt/mlxtend/tree/master/mlxtend/examples
Što radi?
Ovaj projekt prepoznaje pisane brojeve (kao na bankovnim čekovima) koristeći scikit-learn i podatke iz MNIST bazen. Idealno je za praktično shvaćanje klasifikacije i obuke modela.
Zašto ga odabrati?
✅ Super jednostavan – samo nekoliko redaka koda.
✅ Dobro objašnjen – savjetuje se za početnike.
✅ Možeš ga proširiti – dodati svoje podatke ili promijeniti algoritam.
Kako ga koristiti?
1. Kloniš repozitorij i instaliraš potrebne pakete (`pip install scikit-learn matplotlib`).
2. Učitaš podatke iz MNIST skupa.
3. Obučavaš model (npr. Random Forest ili SVM).
4. Testiraš ga na novim primjerima.
Primjer koda:
“`python
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
Učitavanje podataka
data = load_digits()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)
Obuka modela
model = RandomForestClassifier()
model.fit(X_train, y_train)
Testiranje
print(“Točnost:”, model.score(X_test, y_test))
“`
💡 Savjet: Ako ti je ovo prejednostavno, promijeni podatke – npr. umjesto brojeva, pokušaj prepoznavanje slova (Optical Character Recognition, OCR).
—
🔹 Sentiment Analysis with NLTK (GitHub)
🔗 https://github.com/nltk/nltk/tree/master/nltk/book
Što radi?
Ovaj projekt analizira sentiment (raspoloženje) u tekstu, npr. recenzijama filmova ili tweetovima. Koristi NLTK, jednu od najpopularnijih biblioteka za obradu prirodnog jezika (NLP).
Zašto ga odabrati?
✅ Praktična primjena – možeš ga koristiti za analizu recenzija ili socialnih medija.
✅ Lako prilagođiv – možeš dodati svoje podatke.
✅ Dobro dokumentiran – savjetuje se za prvo upoznavanje s NLP-om.
Kako ga koristiti?
1. Instaliraj NLTK (`pip install nltk`).
2. Preuzmi podatke (npr. recenzije s IMDb-a).
3. Obradi tekst (tokenizacija, lematizacija).
4. Obučavaš model (npr. Naive Bayes).
Primjer koda:
“`python
import nltk
from nltk.sentiment import SentimentIntensityAnalyzer
nltk.download(‘vader_lexicon’)
sia = SentimentIntensityAnalyzer()
tekst = “Ovaj film je odličan! Volim ga.”
print(sia.polarity_scores(tekst)) # {‘neg’: 0.0, ‘neu’: 0.385, ‘pos’: 0.615, ‘compound’: 0.6243}
“`
💡 Savjet: Pokušaj ga na svojim podacima – npr. analiziraj recenzije proizvoda s e-shopa.
—
2. Projekti za srednje napredne korisnike: Praktične primjene
Ako već razumiješ osnovne koncepte, ali želiš stvarno koristiti ML u praksi, ovi projekti su savršeni. Obuhvaćaju računalni vid, preporuke i analizu vremenskih serija.
🔹 Face Recognition with OpenCV and Deep Learning (GitHub)
🔗 https://github.com/ageitgey/face_recognition
Što radi?
Ovaj projekt prepoznaje lice u realnom vremenu ili na fotografijama. Koristi Dlib i OpenCV, dvije od najpopularnijih biblioteka za računalni vid.
Zašto ga odabrati?
✅ Super koristan – možeš ga koristiti za sigurnosne sustave ili automatizaciju.
✅ Lako se proširuje – možeš dodati prepoznavanje emocija ili detekciju pokreta.
✅ Dobro dokumentiran – ima mnoge primjere koda.
Kako ga koristiti?
1. Kloniš repozitorij i instaliraš Dlib (`pip install dlib`).
2. Učitaš fotografije s licima.
3. Obučavaš model na svojim podacima.
4. Testiraš ga na novim slikama.
Primjer koda:
“`python
import face_recognition
Učitavanje slike
image = face_recognition.load_image_file(“test.jpg”)
face_encodings = face_recognition.face_encodings(image)
Ako ima lice, prikazuje ga
if len(face_encodings) > 0:
print(“Lice pronađeno!”)
else:
print(“Nije pronađeno lice.”)
“`
💡 Savjet: Pokušaj ga na svojim fotografijama – npr. automatiziraj ulazak u sobu kada prepoznaš lice.
—
🔹 Movie Recommendation System with Collaborative Filtering (GitHub)
🔗 https://github.com/heartexlabs/lightfm
Što radi?
Ovaj projekt predlaže filmove na osnovu prethodnih preferencija korisnika. Koristi LightFM, hibridni model koji kombinira kolaborativno filtriranje i sadržajnu analizu.
Zašto ga odabrati?
✅ Praktična primjena – možeš ga koristiti za preporuke proizvoda ili muzičke playlistove.
✅ Lako prilagođiv – možeš dodati novu kategoriju (npr. serije umjesto filmova).
✅ Dobro optimiziran – radi brzo čak i na velikim podacima.
Kako ga koristiti?
1. Instaliraj LightFM (`pip install lightfm`).
2. Učitaš podatke (npr. iz MovieLens bazen).
3. Obučavaš model na interakcijama korisnika.
4. Predlaže filmove za novog korisnika.
Primjer koda:
“`python
from lightfm import LightFM
from lightfm.data import Dataset
Učitavanje podataka
dataset = Dataset()
dataset.fit(users=[‘user1’, ‘user2’], items=[‘film1’, ‘film2’])
interactions = dataset.build_interactions([[‘user1’, ‘film1’], [‘user1’, ‘film2’]])
Obuka modela
model = LightFM(loss=’warp’)
model.fit(interactions, epochs=30)
Predikcija
user_id = dataset.mapping[‘item’].inv[0] # Prvi film
scores = model.predict(user_id, dataset.mapping[‘item’].inv)
print(“Najbolji film:”, dataset.mapping[‘item’].inv[scores.argmax()])
“`
💡 Savjet: Pokušaj ga na svojim podacima – npr. preporučivanje knjiga ili prodavatelja na e-shopu.
—
3. Projekti za napredne korisnike: Istraživanje i inovacije
Ako si ispitan s osnovama i želiš raditi na naprednim projektima, ovi projekti su za tebe. Obuhvaćaju duboko učenje, generativne modele i optimizaciju.
🔹 GANs for Image Generation (DCGAN) with PyTorch (GitHub)
🔗 https://github.com/carpedm20/DCGAN-tensorflow (ili PyTorch verzija)
Što radi?
Ovaj projekt generira umjetne slike koristeći Generative Adversarial Networks (GANs). Koristi PyTorch i Deep Convolutional GANs (DCGANs), koji su jedni od najpopularnijih za generiranje slika.
Zašto ga odabrati?
✅ Super zanimljiv – možeš generirati slike koje izgledaju kao da su stvarne.
✅ Dobro dokumentiran – ima mnoge primjere.
✅ Možeš ga prilagoditi – npr. generirati slike drugih kategorija (npr. zgrade umjesto slika lica).
Kako ga koristiti?
1. Kloniš repozitorij i instaliraš PyTorch.
2. Učitaš podatke (npr. CIFAR-10 ili MNIST).
3. Obučavaš GAN model.
4. Generiraš nove slike.
Primjer koda (simplificiran):
“`python
import torch
import torch.nn as nn
Definiranje generatora
class Generator(nn.Module):
def init(self):
super().init()
self.main = nn.Sequential(
nn.ConvTranspose2d(100, 512, 4, 1, 0, bias=False),
nn.BatchNorm2d(512),
nn.ReLU(True),
… (dalje slojevi)
)
Obuka (detalji u dokumentaciji)
“`
💡 Savjet: Pokušaj generirati druge tipove slika – npr. slike zgrada ili automobila.
—
🔹 Transformer Model for Text Generation (Hugging Face) (GitHub)
🔗 https://github.com/huggingface/transformers
Što radi?
Ovaj projekt generira tekst koristeći transformer modele (npr. GPT-2, BERT). Hugging Face je najpopularnija biblioteka za rad s dubokim modelima u NLP-u.
Zašto ga odabrati?
✅ Najnovija tehnologija – koristi transformere, koji su najbolji u tekstualnoj obradi.
✅ Lako se koristi – samo dva komanda i možeš generirati tekst.
✅ Mnoge primjene – možeš ga koristiti za prevod, odgovaranje na pitanja, generiranje koda.
Kako ga koristiti?
1. Instaliraj transformers (`pip install transformers torch`).
2. Učitaš model (npr. `GPT2LMHeadModel`).
3. Generiraš tekst.
Primjer koda:
“`python
from transformers import GPT2Tokenizer, GPT2LMHeadModel
tokenizer = GPT2Tokenizer.from_pretrained(‘gpt2’)
model = GPT2LMHeadModel.from_pretrained(‘gpt2’)
input_text = “U 2026. godine, umjetna inteligencija će biti”
inputs = tokenizer.encode(input_text, return_tensors=”pt”)
outputs = model.generate(inputs, max_length=50)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
“`
💡 Savjet: Pokušaj generirati tekst na hrvatskom – postoji model GPT2 hrvatski koji možeš koristiti.
—
Kako pronaći i koristiti Python projekte za strojno učenje na GitHubu?
GitHub je ogromna baza podataka, pa možeš se zgusnuti ako ne znaš kako ga iskoristiti. Evo praktičnih savjeta kako brzo pronaći i koristiti projekte.
🔍 Kako pronaći projekte?
1. Koristi ključne riječi
– Napiši u pretraživanju:
– `machine learning python open source`
– `deep learning project github`
– `NLP python tutorial`
– Filteriraj po popularnosti (najviše `stars` i `forks`).
2. Koristi liste projekata
– Awesome Machine Learning: https://github.com/josejoa/awesome-machine-learning
– Best of ML Python: https://github.com/bulutyazilim/awesome-machine-learning-python
– GitHub Topics: Pretražuj po #machine-learning ili #deep-learning.
3. Pogledaj trending projekte
– GitHub Trends: https://github.com/trending
– Pogledaj sekciju “Trending” za Python i ML.
4. Koristi GitHub Advanced Search
– Primjer pretrage:
– `language:python topic:machine-learning stars:>1000`
– `language:python “deep learning” “PyTorch”`
—
🛠️ Kako koristiti projekte?
1. Kloniš repozitorij
“`bash
git clone https://github.com/username/repo.git
cd repo
“`
2. Instaliraj potrebne pakete
– Pogledaj `requirements.txt` ili `setup.py` i instaliraj pakete:
“`bash
pip install -r requirements.txt
“`
3. Pročitaj dokumentaciju
– Pogledaj `README.md` – obično sadrži instrukcije za pokretanje.
– Pogledaj `examples/` – često ima gotove primjere.
4. Pokreni projekt
– Ako ima `main.py` ili `notebook.ipynb`, pokreni ga:
“`bash
python main.py
“`
– Ako je Jupyter notebook, pokreni:
“`bash
jupyter notebook
“`
5. Eksperimentiraj!
– Promijeni podatke – umjesto MNIST, pokušaj tvoje podatke.
– Promijeni hiperparametre – pogledaj `train.py` i eksperimentiraj.
– Dodaj nove funkcionalnosti – npr. dodaj grafiku ili optimizaciju.
—
🤝 Kako doprinijeti projektu?
GitHub nije samo mjesto za korištenje, već i za doprinose. Ako si iskusan, možeš poboljšati postojeće projekte ili započeti svoj.
🔹 Kako pronaći projekte za doprinos?
1. Pogledaj sekciju “Issues” u repozitoriju.
– `Good first issue` – idealno za početnike.
– `Help wanted` – projekti koji traže pomoć.
2. Pogledaj trending projekte i pogledaj `CONTRIBUTING.md`.
3. Koristi GitHub “Good First Issues”:
– https://github.com/topics/good-first-issue
🔹 Kako napraviti doprinos?
1. Kloniš repozitorij i stvariš novu granu:
“`bash
git clone https://github.com/username/repo.git
cd repo
git checkout -b moja-izmena
“`
2. Izvrši izmjene (popravak buga, dodavanje funkcije).
3. Komićiraj izmjene:
“`bash
git add .
git commit -m “Popravljen bug u funkciji X”
“`
4. Pushiraj na svoj GitHub i otvori Pull Request (PR).
5. Čekaj na review – autori projekta će provjeriti izmjene i odobriti ili povući PR.
💡 Savjet:
– Pogledaj `CONTRIBUTING.md` – svaki projekt ima svoje pravila.
– Budi aktivan u diskusijama – pitaš autorove ako nešto ne razumiješ.
– Ne boj se napraviti greške – svi počinju s PR-ovima koji nisu prihvaćeni.
—
GitHub vs. Kaggle: Gdje su bolji projekti?
GitHub i Kaggle su dvije najpopularnije platforme za strojno učenje, ali imaju različite prednosti.
| Kriterij | GitHub | Kaggle |
|——————–|————————————-|————————————-|
| Tip projekata | Open-source projekti, biblioteke, alati | Datascience projekti, natjecanja, notebooks |
| Podaci | Često manje struktuirani, ali otvoreni | Struktuirani datasets, često komercijalni |
| Korisnici | Programeri, ML inženjeri, istraživači | Analitičari, statističari, natjecatelji |
| Kolaboracija | Git, pull requests, issues | Diskusije, notebooks, team projekti |
| Primjena | Open-source alati, istraživanja | Praktične primjene, natjecanja |
Kada koristiti GitHub?
✅ Ako želiš raditi na open-source projektima.
✅ Ako tražiš biblioteke ili alate (npr. TensorFlow, PyTorch).
✅ Ako želiš doprinijeti zajednici.
✅ Ako ti treba verzioniranje koda.
Kada koristiti Kaggle?
✅ Ako želiš raditi na konkretnim podacima (npr. finansije, zdravlje).
✅ Ako se baviš natjecanjima (Kaggle ima mnoga ML natjecanja).
✅ Ako voliš Jupyter notebooks i vizualizaciju.
✅ Ako tražiš gotove datasets za eksperimentiranje.
💡 Savjet:
– Kombiniraj oboje! – GitHub za kod, Kaggle za podatke.
– GitHub za open-source projekte, Kaggle za praktične primjene.
—
Zaključak: Koji projekt odabrati?
GitHub je neprocjenjivo bogatstvo za sve koji se bave strojnim učenjem u Pythonu. Ovdje si našao 15 najboljih projekata, od početničkih do naprednih, koji će ti pomoći:
✅ Učiti osnovne koncepte (klasifikacija, sentiment analiza).
✅ Praktično primjenjivati ML (prepoznavanje lica, preporuke).
✅ Raditi na naprednim projektima (GANs, transformeri).
✅ Doprinijeti zajednici i poboljšavati open-source projekte.
Kako nastaviti?
1. Počni s projektom koji ti odgovara razini.
2. Eksperimentiraj – promijeni podatke, hiperparametre.
3. Dopriniš – ako si iskusniji, pogledaj projekte za doprinos.
4. Slijedi trendove – GitHub Trends i Hugging Face su odlični izvori za najnovije projekte.
U 2026. godine, duboko učenje i generativni modeli će biti dominantni, pa je sada najbolje vrijeme da počneš eksperimentirati. GitHub ti je tu – samo kloni, pokreni i uči!
—
FAQ: Najčešća pitanja o Python projektima za ML na GitHubu
🔹 Zašto mi neki projekti ne rade?
Ako projekt ne pokrećeš, najčešće je problem s paketima. Pogledaj:
– `requirements.txt` – instaliraj sve pakete (`pip install -r requirements.txt`).
– `README.md` – često ima instrukcije za pokretanje.
– GitHub Issues – pitaš autora ako ima problema.
🔹 Kako pronaći projekte za početnike?
Pogledaj:
– `Good first issue` u repozitorijima.
– GitHub Topics – pretražuj po `beginner-friendly`.
– Awesome Machine Learning – ima listu projekata za početnike.
🔹 Može li se doprinijeti projektima bez znanja Git-a?
Ne, ali možeš učiti Git dok radiš. GitHub ima dobru dokumentaciju:
– GitHub Guides
– Kurs Git-a na freeCodeCamp: https://www.youtube.com/watch?v=RGOj5yH7evk
🔹 Gdje naći podatke za projekte?
– Kaggle Datasets: https://www.kaggle.com/datasets
– UCI Machine Learning Repository: https://archive.ics.uci.edu/ml/index.php
– GitHub datasets: https://github.com/lux/awesome-self-driving (za različite podatke)
🔹 Kako optimizirati projekt za bržu obuku?
– Koristi GPU (npr. Google Colab ili AWS).
– Reduciraj veličinu podataka (npr. downsampling).
– Optimiziraj hiperparametre (npr. learning rate, batch size).
– Koristi `torch.cuda` za PyTorch ili `tf.distribute` za TensorFlow.
🔹 Može li se projekt na GitHubu koristiti u komercijalne svrhe?
Zavisno od licence!
– MIT, Apache 2.0 → možeš koristiti u komerciji.
– GPL → morat ćeš otvoriti svoj kod ako ga koristiš u komercijalnom projektu.
– Pogledaj `LICENSE` u repozitoriju.
🔹 Kako pronaći projekte s hrvatskim podacima?
GitHub nema mnogih projekata s hrvatskim podacima, ali možeš:
– Tražiti na Kaggle – npr. hrvatske recenzije, podatke o prometu.
– Kreirati svoje podatke – npr. skrapirati web stranice (s prijavom).
– Pogledati projekte za NLP hrvatski – npr. transformeri za hrvatski jezik.
—
Sada je tvoje vrijeme! Kloni prvi projekt, pokreni ga i počni eksperimentirati. GitHub je tvoje laboratorije – koristi ga na punim snagama! 🚀
