====== Hluboké učení (Deep Learning) ======

**Hluboké učení** (Deep Learning) je specifická oblast **strojového učení** (Machine Learning), která je založena na využívání umělých neuronových sítí s mnoha vrstvami. Přívlastek „hluboké“ odkazuje právě na počet vrstev v síti, skrze které data protékají a jsou transformována.

Zatímco klasické strojové učení vyžaduje, aby člověk definoval příznaky (features), které má algoritmus sledovat, hluboké učení se tyto příznaky učí samo přímo z dat.

===== Architektura neuronové sítě =====

Hluboké učení je inspirováno strukturou biologického mozku. Základní jednotkou je **umělý neuron**, který přijímá vstupy, přiřazuje jim váhu a přes aktivační funkci generuje výstup.

Sítě se skládají ze tří základních typů vrstev:
  * **Vstupní vrstva (Input Layer):** Přijímá syrová data (např. pixely obrázku).
  * **Skryté vrstvy (Hidden Layers):** Zde probíhá samotné „učení“. Vrstvy extrahují rysy – od jednoduchých (hrany, barvy) až po komplexní (tvary, obličeje, objekty).
  * **Výstupní vrstva (Output Layer):** Poskytuje konečný výsledek (např. klasifikaci: „Na obrázku je pes“).



===== Proč je hluboké učení populární právě teď? =====

Ačkoliv základy neuronových sítí vznikly už v 50. letech, jejich rozmach umožnily až tři faktory:
  1. **Big Data:** Dostupnost obrovského množství digitálních dat pro trénování.
  2. **Výkon GPU/NPU:** Trénování vyžaduje masivní paralelní výpočty, které zvládají moderní grafické karty a [[soc|SoC]] s AI akcelerátory.
  3. **Algoritmické inovace:** Nové techniky (např. Transformer, ReLU), které umožnily trénovat velmi hluboké sítě bez ztráty stability.

===== Klíčové typy sítí =====

^ Typ sítě ^ Hlavní využití ^
| **CNN** (Konvoluční sítě) | Počítačové vidění, rozpoznávání obrazu a medicínská diagnostika. |
| **RNN** (Rekurentní sítě) | Zpracování sekvenčních dat, např. překlad řeči nebo analýza časových řad. |
| **Transformers** | Základ pro modely jako GPT (ChatGPT) a Gemini. Excelují v chápání kontextu v textu. |



===== Výzvy hlubokého učení =====

  * **„Black Box“ efekt:** Často je obtížné pochopit, proč se síť rozhodla určitým způsobem (problém interpretovatelnosti).
  * **Hardwarová náročnost:** Trénování modelů vyžaduje obrovské výpočetní zdroje, což nahrává gigantům jako Google nebo [[apple|Apple]].
  * **Kvalita dat:** Pokud jsou trénovací data zaujatá (biased), model bude produkovat chybná nebo nespravedlivá rozhodnutí.

---
//Související pojmy: [[soc|SoC]], [[tsmc|TSMC]] (výrobce AI čipů), [[https://it-slovnik.cz/pojem/umela-inteligence|Umělá inteligence]]//