====== Neuronové sítě (Neural Networks) ======

**Neuronové sítě** jsou výpočetní modely inspirované strukturou a funkcí biologických neuronových sítí v mozku. Jsou základním stavebním kamenem hlubokého učení (**Deep Learning**) a umožňují počítačům učit se z komplexních dat, jako jsou obrázky, zvuk nebo přirozený jazyk.



===== 1. Anatomie umělého neuronu =====

Základní jednotkou je **umělý neuron** (perceptron). Ten přijímá vstupy, zpracovává je a generuje výstup.

==== Klíčové komponenty neuronu: ====
  * **Vstupy ($x_1, x_2, \dots, x_n$):** Data přicházející z předchozí vrstvy nebo senzoru.
  * **Váhy ($w_1, w_2, \dots, w_n$):** Parametry určující důležitost každého vstupu. Učení sítě spočívá v hledání ideálních hodnot těchto vah.
  * **Bias ($b$):** Konstanta, která umožňuje posunout aktivační funkci tak, aby model lépe odpovídal datům.
  * **Sumační funkce:** Neuron sečte vážené vstupy a přičte bias: $$z = \sum (x_i \cdot w_i) + b$$
  * **Aktivační funkce:** Určuje, zda a s jakou intenzitou bude signál poslán dál.



===== 2. Typy aktivačních funkcí =====

Aktivační funkce vnášejí do sítě **nelinearitu**, což jí umožňuje řešit složité problémy.

^ Název ^ Vzorec ^ Charakteristika ^
| **Sigmoid** | $\sigma(z) = \frac{1}{1 + e^{-z}}$ | Vrací hodnoty mezi 0 a 1. Dříve populární, dnes vytlačována. |
| **ReLU** | $f(z) = \max(0, z)$ | **Nejpoužívanější.** Lineární pro kladné hodnoty, nula pro záporné. Rychlá a efektivní. |
| **Softmax** | $\dots$ | Používá se v poslední vrstvě pro klasifikaci (převádí výstupy na pravděpodobnosti). |

===== 3. Architektura vícevrstvé sítě (MLP) =====

Standardní síť, známá jako **Multi-Layer Perceptron**, se skládá z:

  1. **Input Layer (Vstupní vrstva):** Každý neuron reprezentuje jeden příznak (např. jeden pixel).
  2. **Hidden Layers (Skryté vrstvy):** Vrstvy mezi vstupem a výstupem. Zde dochází k učení abstrakcí (např. hrany -> tvary -> obličej).
  3. **Output Layer (Výstupní vrstva):** Poskytuje finální predikci.



===== 4. Jak probíhá učení? =====

Učení sítě je iterační proces, který se skládá ze dvou hlavních kroků:

==== Dopředný chod (Forward Propagation) ====
Data projdou sítí od vstupu k výstupu. Na konci se vypočítá **ztrátová funkce (Loss Function)**, která měří, jak moc se predikce sítě liší od skutečnosti.

==== Zpětná propagace (Backpropagation) ====
Algoritmus vypočítá, jakou měrou ke chybě přispěl každý neuron. Pomocí **gradientního sestupu (Gradient Descent)** se pak váhy upraví tak, aby byla chyba v dalším kroku menší.

===== 5. Hlavní typy neuronových sítí =====

Podle architektury dělíme sítě pro specifické úkoly:

  * **CNN (Convolutional Neural Networks):** Specializované na obrazy. Využívají konvoluční filtry k detekci vzorů v prostoru.
  * **RNN (Recurrent Neural Networks):** Mají "paměť", jsou vhodné pro sekvenční data (časové řady, zvuk).
  * **Transformers:** Moderní architektura využívající "Self-Attention". Základ modelů jako GPT nebo BERT.



----
//Související témata://
  * [[it:ai:deep_learning|Hluboké učení]]
  * [[it:ml:overfitting|Přeučení a regularizace]]
  * [[it:math:linear_algebra|Lineární algebra pro AI]]

//Tagy: {{tag>ai neural_networks deep_learning math}}//