====== Strojové učení (Machine Learning) ======

**Strojové učení** je proces, při kterém počítačový systém analyzuje data, identifikuje v nich vzorce a na jejich základě vytváří předpovědi nebo rozhodnutí. Je to motor, který pohání vše od doporučování filmů na Netflixu až po autonomní vozidla.

===== 1. Tři základní typy učení =====

Algoritmy strojového učení se dělí podle toho, jakým způsobem získávají znalosti:

==== Učení s učitelem (Supervised Learning) ====
Model trénujeme na datech, která už mají „správné odpovědi“ (labely). 
  * **Příklad:** Ukážeme modelu tisíce fotek psů a koček, přičemž každá je označená. Model se naučí rozpoznat znaky typické pro každé zvíře.
  * **Využití:** Předpověď cen nemovitostí, detekce spamu.



==== Učení bez učitele (Unsupervised Learning) ====
Model dostane data bez popisků a musí v nich sám najít skryté struktury nebo podobnosti.
  * **Příklad:** Rozdělení zákazníků e-shopu do skupin (shlukování) podle jejich nákupního chování.
  * **Využití:** Segmentace trhu, detekce anomálií (např. podvody s kreditkami).



==== Posilované učení (Reinforcement Learning) ====
Model (agent) se učí metodou pokus-omyl v určitém prostředí. Za správné kroky dostává „odměnu“, za špatné „trest“.
  * **Příklad:** AI učící se hrát šachy nebo ovládat robotické rameno.
  * **Využití:** Robotika, hry, optimalizace logistiky.

---

===== 2. Proces vývoje ML modelu =====

Tvorba modelu není jen o programování, ale o celém životním cyklu:

  * **Sběr a příprava dat:** Nejdůležitější krok. „Špatná data dovnitř = špatná data ven“ (GIGO - Garbage In, Garbage Out).
  * **Výběr algoritmu:** Volba vhodného matematického modelu (např. rozhodovací stromy, neuronové sítě).
  * **Trénování:** Proces, kdy model prochází data a nastavuje své vnitřní parametry.
  * **Evaluace (Vyhodnocení):** Testování modelu na datech, která během tréninku neviděl, aby se ověřila jeho přesnost.



---

===== 3. Neuronové sítě a Deep Learning =====

**Hluboké učení** (Deep Learning) je specifická oblast ML inspirovaná strukturou lidského mozku. Používá vícevrstvé **neuronové sítě**, které jsou schopny zpracovávat extrémně komplexní data (obraz, zvuk, přirozený jazyk).

  * **Vstupní vrstva:** Přijímá surová data (např. pixely obrázku).
  * **Skryté vrstvy:** Provádějí matematické transformace a extrahují znaky (hrany, tvary, objekty).
  * **Výstupní vrstva:** Podá konečný výsledek (např. „Je to auto“).



---

===== 4. Časté problémy =====

  * **Overfitting (Přeučení):** Model se naučil trénovací data „nazpaměť“ včetně šumu, ale selhává na nových datech.
  * **Underfitting (Nedoučení):** Model je příliš jednoduchý a nedokáže v datech najít žádný vzorec.
  * **Zaujatost dat (Data Bias):** Pokud trénovací data obsahují předsudky, model je převezme (např. diskriminace v náborových systémech).

----
//Související články://
  * [[it:sw:ai_basics|Základy AI a Llama]]
  * [[it:sw:python|Python: Jazyk pro AI]]
  * [[it:sw:big_data|Big Data a jejich zpracování]]

//Tagy: {{tag>ai machine-learning deep-learning data-science neural-networks}}//