Umělé neuronové sítě (Artificial Neural Networks - ANN) jsou výpočetní modely inspirované biologickými neuronovými sítěmi v lidském mozku. Jsou základem moderní umělé inteligence a umožňují počítačům učit se z dat.

Umělý neuron (perceptron) je matematická funkce, která:

1. Přijme několik vstupních signálů ($x_1, x_2, ...$).
2. Každému vstupu přiřadí určitou **váhu** ($w_1, w_2, ...$), která určuje jeho důležitost.
3. Sečte vážené vstupy a přičte konstantu zvanou **bias** ($b$).
4. Výsledek propustí přes **aktivační funkci**, která určí konečný výstup (např. zda neuron "vystřelí").

Matematicky zapsáno: $$y = f(\sum_{i=1}^{n} w_i x_i + b)$$

Neurony jsou organizovány do vrstev. Informace obvykle proudí směrem od vstupu k výstupu:

• Vstupní vrstva (Input Layer): Přijímá surová data (např. pixely obrázku).
• Skryté vrstvy (Hidden Layers): Zde probíhá samotné „učení“ a extrakce rysů. Hluboké učení (Deep Learning) využívá sítě s mnoha skrytými vrstvami.
• Výstupní vrstva (Output Layer): Poskytuje konečný výsledek (např. pravděpodobnost, že na fotce je kočka).

Proces učení probíhá ve dvou hlavních krocích, které se neustále opakují:

Data projdou sítí od vstupu k výstupu a síť vygeneruje předpověď.

• Výsledek se porovná se skutečností pomocí ztrátové funkce (Loss Function).
• Algoritmus vypočítá, jak moc se síť zmýlila.
• Pomocí optimalizátoru (např. Gradient Descent) se upraví váhy neuronů tak, aby příště byla chyba menší.

• Klasifikace: Je na obrázku pes, nebo kočka?
• Regrese: Jaká bude cena nemovitosti za rok?
• Generování: Napiš báseň v Shakespearově stylu.
• Anomálie: Je tato bankovní transakce podvodná?

Zajímavost: Zatímco lidský mozek má cca 86 miliard neuronů, moderní velké modely (LLM) operují se stovkami miliard parametrů (vah), čímž se v určitém smyslu začínají biologické komplexitě přibližovat.

— Související témata:

• Průvodce frameworkem TensorFlow
• Lineární algebra pro AI
• Etika a rizika umělé inteligence