¨====== Machine Learning a Neuronové sítě ======

**Machine Learning (ML)**, česky strojové učení, je podoblast umělé inteligence (AI), která se zabývá algoritmy a statistickými modely, jež počítačovým systémům umožňují řešit úkoly bez explicitního naprogramování pro každý konkrétní případ. Místo toho se systémy "učí" z dat, identifikují v nich vzory a na jejich základě činí rozhodnutí nebo predikce.

Moderní ML je úzce spjato s **Neuronovými sítěmi (Neural Networks)**, které tvoří základ tzv. hlubokého učení (Deep Learning).



[Image of AI vs Machine Learning vs Deep Learning diagram]


===== 1. Historie: Od teorie k praxi =====

Vývoj ML nebyl přímočarý. Prošel několika obdobími nadšení ("AI Summer") a stagnace ("AI Winter").

^ Období ^ Klíčové milníky ^ Charakteristika ^
| **1940s–1950s** | **Zrození myšlenky** | Alan Turing (Turingův test), Frank Rosenblatt (Perceptron - první neuronová síť). Vznikají první teoretické modely neuronů. |
| **1960s–1970s** | **První zima** | Zjistilo se, že jednoduché perceptrony neumí řešit nelineární problémy (např. funkci XOR). Výzkum byl utlumen. |
| **1980s** | **Renesance** | Popularizace algoritmu **Backpropagation** (Geoffrey Hinton a další). Umožnilo to trénovat vícevrstvé sítě. Vznikají expertní systémy. |
| **1990s** | **Statistický přístup** | Dominují metody jako Support Vector Machines (SVM) a Random Forests. Neuronové sítě jsou považovány za příliš náročné na výpočetní výkon. |
| **2010s** | **Deep Learning Boom** | Nástup GPU (Nvidia) a Big Data. Průlom v rozpoznávání obrazu (AlexNet, 2012). Zrod moderní AI. |
| **2020s** | **Generativní AI** | Éra Transformerů (BERT, GPT). Modely generují text, kód, obraz a video na lidské úrovni. |

===== 2. Jak fungují Neuronové sítě =====

Umělé neuronové sítě (ANN) jsou volně inspirovány biologickými neurony v lidském mozku.

==== 2.1 Struktura sítě ====
Síť se skládá z vrstev (Layers):
  - **Vstupní vrstva (Input Layer):** Přijímá surová data (pixely obrázku, slova textu).
  - **Skryté vrstvy (Hidden Layers):** Zde probíhá "magie". Čím více vrstev, tím je síť "hlubší" (Deep Learning). Zde se extrahují rysy.
  - **Výstupní vrstva (Output Layer):** Poskytuje finální výsledek (např. pravděpodobnost, že na obrázku je kočka).

==== 2.2 Klíčové mechanismy ====
  * **Neuron:** Základní jednotka, která má vstupy, váhy (weights) a aktivační funkci.
  * **Váhy (Weights):** Čísla, která určují sílu spojení mezi neurony. Během učení se tyto hodnoty upravují.
  * **Aktivační funkce (Activation Function):** Rozhoduje, zda se neuron "aktivuje" (pošle signál dál). Příklady: //ReLU, Sigmoid, Tanh//.
  * **Backpropagation (Zpětná propagace):** Algoritmus, který po vyhodnocení chyby (rozdíl mezi tipem sítě a realitou) projde sítí pozpátku a upraví váhy tak, aby byla chyba příště menší.



===== 3. Typy učení (Paradigmata) =====

Ne všechny modely se učí stejně. Rozlišujeme tři hlavní přístupy:

  - **Supervised Learning (Učení s učitelem):**
    - Model dostane data i správné odpovědi (labely).
    - //Příklad:// Detekce spamu (e-maily označené jako spam/ne-spam).
  - **Unsupervised Learning (Učení bez učitele):**
    - Model dostane jen data, hledá v nich strukturu sám.
    - //Příklad:// Segmentace zákazníků (shlukování podobných nákupních chování).
  - **Reinforcement Learning (Posilované učení):**
    - Agent se učí metodou pokus-omyl v prostředí, kde dostává odměny nebo tresty.
    - //Příklad:// Trénování robotů k chůzi nebo AI hrající šachy (AlphaZero).

===== 4. Přístup korporací k Machine Learningu =====

Velké technologické firmy (Big Tech) dnes nejsou jen uživateli ML, ale hlavními tvůrci nástrojů a výzkumu.

==== Google (Alphabet) ====
Google se definuje jako "AI First" společnost.
  * **Výzkum:** Vlastní laboratoř **Google DeepMind** (tvůrci AlphaGo, AlphaFold).
  * **Infrastruktura:** Vyvinuli vlastní čipy **TPU (Tensor Processing Unit)** pro akceleraci ML.
  * **Framework:** Vytvořili **TensorFlow**, jednu z nejpopulárnějších knihoven pro ML.
  * **Produkty:** Vyhledávání, překladač, Gemini.

==== Meta (Facebook) ====
Meta sází na otevřenost a sociální interakce.
  * **Open Source:** Vyvinuli **PyTorch** (dnes standard v akademickém výzkumu i průmyslu) a zveřejňují modely řady **Llama**. Tím demokratizují přístup k velkým modelům.
  * **Cíl:** Využití AI pro doporučování obsahu (Instagram Reels) a budování Metaverse.

==== Microsoft ====
Microsoft zvolil strategii partnerství a integrace.
  * **OpenAI:** Investovali miliardy dolarů do tvůrce ChatGPT, čímž získali exkluzivní přístup k modelům GPT pro své produkty.
  * **Copilot:** Masivní integrace AI do Windows, Office 365 a GitHubu.
  * **Azure AI:** Poskytování cloudové infrastruktury pro trénink modelů jiných firem.

==== NVIDIA ====
Ačkoliv jde primárně o hardwarovou firmu, je dnes nejdůležitějším hráčem v AI.
  * **Hardware:** Jejich grafické karty (GPU) H100/B200 jsou "lopatami ve zlaté horečce". Prakticky všechny moderní neuronové sítě se trénují na čipech Nvidia.
  * **CUDA:** Softwarová vrstva, která uzamkla vývojáře v ekosystému Nvidia.

==== Amazon (AWS) ====
Zaměřuje se na praktické využití a B2B služby.
  * **Bedrock & SageMaker:** Platformy, které umožňují firmám snadno stavět a nasazovat vlastní ML modely v cloudu.
  * **Logistika:** ML řídí jejich sklady, roboty a predikci poptávky.

===== 5. Budoucnost a trendy =====

  * **Multimodalita:** Modely, které "vidí", "slyší" a "mluví" zároveň.
  * **Edge AI:** Přesun inteligence z cloudu přímo do zařízení (mobily, IoT), kvůli soukromí a rychlosti.
  * **Etika a regulace:** Řešení problémů jako bias (předpojatost), deepfakes a autorská práva (EU AI Act).

----
//Související články://
  * [[it:ml:algoritmy|Přehled ML algoritmů]]
  * [[it:ai:llm|Velké jazykové modely (LLM)]]
  * [[it:hw:gpu|Grafické akcelerátory pro AI]]

//Tagy: {{tag>ai ml neural_networks deep_learning historie big_tech}}//