====== Učení s učitelem (Supervised Learning) ======

**Učení s učitelem** (Supervised Learning) je nejčastěji používaným typem strojového učení. Jeho podstatou je trénování modelu na základě dat, která již obsahují správné odpovědi (tzv. **labely** nebo štítky).

Představte si to jako žáka (model), který dostane cviebnici s příklady, kde na konci každé stránky jsou správné výsledky. Žák se snaží pochopit vztah mezi otázkou a odpovědí tak, aby byl schopen správně odpovědět i na otázky, které v učebnici nebyly.



===== 1. Jak proces probíhá? =====

Trénování modelu probíhá v několika krocích:

  - **Sběr dat:** Získání historických dat (např. parametry bytu a jeho prodejní cena).
  - **Anotace (Labeling):** Označení dat správnými odpověďmi (pokud je již nemáme).
  - **Trénování:** Algoritmus hledá matematické vztahy mezi vstupními rysy (**features**) a výstupním štítkem (**label**).
  - **Validace a Testování:** Ověření úspěšnosti modelu na datech, která model během učení neviděl.
  - **Predikce:** Nasazení modelu do praxe pro odhadování výsledků u nových dat.

===== 2. Dvě hlavní kategorie úloh =====

Učení s učitelem se dělí podle toho, jaký typ odpovědi hledáme:

==== A. Klasifikace (Classification) ====
Výstupem je **kategorie** (diskrétní hodnota).
  * **Binární:** Rozhodnutí mezi dvěma možnostmi (Spam / Ne-spam).
  * **Multikategoriální:** Výběr z více možností (Číslice 0-9, druh zvířete).
  * //Typické algoritmy:// [[it:ml:naive_bayes|Naivní Bayes]], SVM, Rozhodovací stromy.



==== B. Regrese (Regression) ====
Výstupem je **spojitá numerická hodnota** (číslo).
  * **Příklady:** Předpověď teploty, odhad ceny akcií, výpočet dojezdového času.
  * //Typické algoritmy:// [[it:ml:linear_regression|Lineární regrese]], [[it:ml:mae|MAE/MSE metriky]].

===== 3. Výhody a nevýhody =====

^ Výhody ^ Nevýhody ^
| Vysoká přesnost u specifických úloh. | Nutnost mít k dispozici obrovské množství označených dat. |
| Výsledky jsou snadno měřitelné (víme, zda se model trefil). | Proces anotace dat (labeling) je drahý a časově náročný. |
| Široké spektrum osvědčených algoritmů. | Model se nedokáže naučit nic, co nebylo v trénovacích datech. |

===== 4. Praktické příklady =====

  * **Rozpoznávání obličejů:** Vstupem jsou pixely, labelem je jméno osoby.
  * **Lékařská diagnostika:** Vstupem jsou výsledky vyšetření, labelem je diagnóza (nemocen / zdráv).
  * **Analýza sentimentu:** Vstupem je text recenze, labelem je hodnocení (pozitivní / negativní).

----
===== Související články =====
  * [[it:ml:unsupervised_learning|Učení bez učitele]]
  * [[it:ml:reinforcement_learning|Posilované učení]]
  * [[it:ml:overfitting|Problém přeučení modelu]]

//Tagy: {{tag>ai ml supervised_learning klasifikace regrese}}//