====== Deep Learning a neuronové sítě ======

**Deep Learning (Hluboké učení)** je odvětví strojového učení, které využívá vícevrstvé **umělé neuronové sítě** k řešení složitých úloh, jako je rozpoznávání obrazu, řečové technologie nebo prediktivní analýza. Termín "hluboké" odkazuje na počet vrstev, kterými data v síti procházejí.

[Image showing AI vs Machine Learning vs Deep Learning hierarchy]

===== 1. Co je umělá neuronová síť? =====

Umělá neuronová síť je matematický model inspirovaný strukturou biologických neuronů v mozku. Skládá se ze základních jednotek – **neuronů** (uzlů) – propojených váženými spoji.

==== Anatomie neuronové sítě: ====
  * **Vstupní vrstva (Input Layer):** Přijímá data (např. pixely obrázku nebo slova v textu).
  * **Skryté vrstvy (Hidden Layers):** Zde probíhá samotné "učení". Každá vrstva extrahuje složitější rysy (např. první vrstva hrany, druhá tvary, třetí celé objekty).
  * **Výstupní vrstva (Output Layer):** Poskytuje konečný výsledek (např. klasifikaci: "Toto je kočka").



[Image of a deep neural network diagram with input, hidden, and output layers]


===== 2. Jak probíhá učení (Training) =====

Učení sítě je proces optimalizace **vah** (důležitosti jednotlivých spojů).

  1. **Forward Propagation:** Data projdou sítí a ta vygeneruje odhad.
  2. **Loss Function (Ztrátová funkce):** Změří se rozdíl mezi odhadem sítě a skutečným výsledkem (chyba).
  3. **Backpropagation (Zpětné šíření chyby):** Algoritmus pošle informaci o chybě zpět sítí.
  4. **Optimizer:** Pomocí matematické metody (např. Gradient Descent) upraví váhy tak, aby byla chyba v příštím kole menší.

Tento proces vyžaduje obrovské množství dat a výpočetního výkonu, který zajišťují právě [[it:lang:cuda|CUDA]] jádra v GPU.

===== 3. Typy neuronových sítí =====

^ Typ ^ Název ^ Hlavní využití ^
| **CNN** | Konvoluční neuronové sítě | Počítačové vidění, rozpoznávání tváří, medicínské snímky. |
| **RNN** | Rekurentní neuronové sítě | Zpracování sekvencí (překlad textu, předpověď akcií). |
| **Transformers** | Transfomery | Základ moderních LLM (např. GPT-4, BERT), porozumění kontextu. |
| **GANs** | Generativní kompetitivní sítě | Generování realistických obrázků (Deepfakes), umění. |

===== 4. Proč právě teď? (Tři pilíře úspěchu) =====

Deep Learning existuje jako teorie od 50. let, ale k jeho rozmachu došlo až po roce 2010 díky:
  * **Big Data:** Máme k dispozici miliardy obrázků a textů na internetu.
  * **Hardware (GPU):** Možnost provádět miliardy maticových operací paralelně.
  * **Pokročilé algoritmy:** Objevení metod (např. ReLU, Dropout), které umožnily trénovat velmi hluboké sítě bez jejich "zhroucení".

===== 5. Praktické aplikace =====

  * **Autonomní vozidla:** Detekce chodců a značek v reálném čase.
  * **Medicína:** Diagnostika rakoviny z rentgenových snímků s přesností vyšší než u lékařů.
  * **Generativní AI:** Tvorba textů, kódu a obrazů (DALL-E, ChatGPT).
  * **Personalizace:** Doporučovací systémy na YouTube, Netflixu nebo Spotify.

----
//Související články://
  * [[it:lang:cuda|CUDA a paralelní výpočty]]
  * [[it:hw:gpu|Grafické procesory (GPU)]]
  * [[it:ml:eda|Explorační analýza dat (EDA)]]

//Tagy: {{tag>ml deep_learning ai neuronové_sítě data_science}}//