====== Autoenkodéry (Autoencoders) ======

**Autoenkodér** je typ umělé [[it:ai:neural_networks|neuronové sítě]], která se používá pro učení efektivního kódování dat v rámci [[it:ml:unsupervised_learning|učení bez učitele]]. Cílem autoenkodéru je naučit se reprezentaci (kompresi) vstupních dat, obvykle za účelem snížení dimenzionality nebo odstranění šumu.

Základní princip spočívá v tom, že síť se snaží na svém výstupu zrekonstruovat přesně to, co dostala na vstupu.



===== 1. Architektura autoenkodéru =====

Autoenkodér se skládá ze tří hlavních částí:

==== A. Enkodér (Encoder) ====
Část sítě, která postupně zmenšuje vrstvy a komprimuje vstupní data do menšího rozměru. Tato část "extrahuje" nejdůležitější rysy dat.

==== B. Bottleneck (Hrdlo / Latentní prostor) ====
Nejužší vrstva sítě. Zde jsou data uložena v nejvíce komprimované podobě (tzv. **latentní reprezentace**). Tato vrstva nutí síť zahodit nepodstatné informace (šum) a ponechat jen to podstatné.

==== C. Dekodér (Decoder) ====
Zrcadlová část k enkodéru. Bere komprimovaná data z hrdla a snaží se z nich rekonstruovat původní vstup v co nejvyšší kvalitě.

===== 2. Jak probíhá učení? =====

Autoenkodér nepotřebuje lidské štítky (labely). Jako "učitel" mu slouží samotný vstup. 

  * **Loss Function (Ztrátová funkce):** Měří rozdíl mezi vstupem ($x$) a rekonstruovaným výstupem ($\hat{x}$). Nejčastěji se používá **MSE (Mean Squared Error)**.
  * Cílem sítě je minimalizovat tuto chybu rekonstrukce.

$$Loss = \|x - \hat{x}\|^2$$

===== 3. Typy autoenkodéru a jejich využití =====

==== Denoising Autoencoder (Odšumovací) ====
Do vstupu se záměrně přidá šum (např. náhodné pixely). Síť se trénuje tak, aby na výstupu byl čistý obraz. Tím se učí chápat skutečnou strukturu dat, nikoliv jen kopírovat pixely.



==== Variational Autoencoder (VAE) ====
Pokročilý typ, který místo pevných bodů v latentním prostoru modeluje pravděpodobnostní rozdělení. 
  * **Využití:** Generování nových dat (např. generování lidských tváří, které neexistují).

==== Sparse Autoencoder ====
Vynucuje, aby v hrdle bylo aktivních jen několik málo neuronů zároveň. To pomáhá extrahovat unikátní a silné příznaky.

===== 4. Praktické aplikace =====

  * **Redukce dimenzionality:** Modernější a nelineární alternativa k [[it:ml:pca|PCA]].
  * **Detekce anomálií:** Síť trénovaná na normálních datech (např. z motoru) bude mít vysokou chybu rekonstrukce u dat, která vykazují poruchu.
  * **Vybarvování obrázků:** Vstupem je černobílý obrázek, cílem je rekonstruovat barevný.
  * **Komprese dat:** Efektivní ukládání informací v malém objemu dat.

===== 5. Ukázka v Pythonu (Keras) =====

<code python>
from keras.layers import Input, Dense
from keras.models import Model

# Definice rozměrů
input_size = 784  # např. 28x28 obrázek
code_size = 32    # rozměr komprese (bottleneck)

# Enkodér
input_img = Input(shape=(input_size,))
encoded = Dense(code_size, activation='relu')(input_img)

# Dekodér
decoded = Dense(input_size, activation='sigmoid')(encoded)

# Sestavení modelu
autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
</code>

----
//Související články://
  * [[it:ai:neural_networks|Neuronové sítě]]
  * [[it:ml:unsupervised_learning|Učení bez učitele]]
  * [[it:ai:generative_models|Generativní modely (GAN vs VAE)]]

//Tagy: {{tag>ai neural_networks autoencoders deep_learning unsupervised_learning}}//