Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

--- it:sw:strojove_uceni [2026/01/02 20:32] – vytvořeno admin
+++ it:sw:strojove_uceni [2026/08/15 13:37] (aktuální) – [4. Limity a rizika (Teoretický rámec)] admin
@@ Řádek 12: / Řádek 12: @@
----
+----
 ===== 2. Datová věda jako základ (Data Science) =====
 ML nemůže existovat bez kvalitních dat. Širší kontext zahrnuje celý proces **Data Science**:
-. **Sběr dat (Ingestion):** Získávání surovin z logů, senzorů nebo uživatelských vstupů.
+. Sběr dat (Ingestion): Získávání surovin z logů, senzorů nebo uživatelských vstupů.
-. **Čištění (Cleaning):** Odstranění šumu a chyb (nejvíce časově náročná část).
+. Čištění (Cleaning): Odstranění šumu a chyb (nejvíce časově náročná část).
-. **Feature Engineering:** Výběr nejdůležitějších vlastností dat, které mají na výsledek vliv.
+. Feature Engineering: Výběr nejdůležitějších vlastností dat, které mají na výsledek vliv.
-. **Trénování a Evaluace:** Samotné strojové učení.
+. Trénování a Evaluace: Samotné strojové učení.
----
+----
 ===== 3. Socio-ekonomický dopad =====
@@ Řádek 33: / Řádek 33: @@
   * **Prediktivní údržba:** V průmyslu ML předpovídá poruchy strojů dříve, než nastanou, což šetří miliardy korun.
----
+----
 ===== 4. Limity a rizika (Teoretický rámec) =====
@@ Řádek 43: / Řádek 43: @@
----
+----
 ===== 5. Budoucnost: Směrem k AGI? =====