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

**Strojové učení** je věda o tom, jak přimět počítače jednat, aniž by byly explicitně programovány. Klíčem je schopnost algoritmu zlepšovat svůj výkon na konkrétním úkolu na základě zkušeností (dat).

===== 1. Jak funguje proces učení? =====

Tradiční programování bere **data + pravidla** a vytvoří **odpověď**. Strojové učení bere **data + odpovědi** a vytvoří **pravidla** (model). Tento model pak může být použit na nová, dosud neviděná data.



---

===== 2. Tři základní kategorie ML =====

Algoritmy strojového učení se dělí podle toho, jakým způsobem probíhá trénování:

==== A. Učení s učitelem (Supervised Learning) ====
Algoritmus dostává trénovací data, která jsou "označená" (labeled). Víme, co je vstup a co má být správný výstup.
  * **Příklad:** Klasifikace e-mailů na spam/ne-spam nebo předpověď cen nemovitostí.
  * **Typy úloh:** Regrese (předpověď čísla) a Klasifikace (rozdělení do kategorií).

==== B. Učení bez učitele (Unsupervised Learning) ====
Algoritmus pracuje s daty, která nejsou označená. Hledá v nich skryté struktury nebo podobnosti sám od sebe.
  * **Příklad:** Shlukování (clustering) zákazníků do skupin podle nákupního chování.
  * **Typy úloh:** Shlukování a redukce dimenzionality.

==== C. Zpětnovazebné učení (Reinforcement Learning) ====
Agent se učí metodou pokus-omyl v určitém prostředí. Za správné kroky dostává odměnu, za špatné penalizaci.
  * **Příklad:** Trénování robotů, hraní šachů nebo řízení autonomních vozidel.



---

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

**Hluboké učení (Deep Learning)** je specifická podmnožina ML inspirovaná strukturou lidského mozku. Využívá vícevrstvé **umělé neuronové sítě**.
  * Každá vrstva sítě extrahuje z dat složitější rysy (např. od rozpoznávání čar k rozpoznávání celých obličejů).
  * Díky Deep Learningu dnes existují technologie jako rozpoznávání hlasu (Siri/Alexa) nebo generativní AI (ChatGPT).



---

===== 4. Praktické aplikace v IT =====

  * **Kybernetická bezpečnost:** Detekce anomálií v síťovém provozu (prevence útoků).
  * **Analýza logů:** Automatická identifikace příčin pádů serverů.
  * **Personalizace:** Doporučovací systémy (Netflix, YouTube, Amazon).
  * **Optimalizace:** Předpovídání zátěže v cloudu a automatické škálování zdrojů.

---

===== 5. Budoucnost a etika =====

S rozvojem ML přicházejí i nové výzvy:
  * **Zkreslení (Bias):** Pokud jsou trénovací data zaujatá, model bude činit nespravedlivá rozhodnutí.
  * **Vysvětlitelnost (Explainability):** U složitých modelů (tzv. "black box") je těžké pochopit, *proč* se stroj rozhodl právě takto.

----
//Související články://
  * [[it:sw:ai|Umělá inteligence: Širší kontext]]
  * [[it:sw:python|Python: Hlavní jazyk pro ML]]
  * [[it:sw:neural_networks|Neuronové sítě: Detailní pohled]]

//Tagy: {{tag>it ml machine-learning ai data-science statistics}}//