Umělé neuronové sítě
ai machine-learning neuronové-sítě deep-learning
Umělé neuronové sítě (Artificial Neural Networks – ANN) jsou výpočetní modely inspirované strukturou a fungováním biologického nervového systému, tedy lidského mozku. Tvoří základ moderního strojového učení a hlubokého učení (Deep Learning), které se využívají v oblasti umělé inteligence.
Základním stavebním kamenem sítě je umělý neuron (matematická abstrakce biologického neuronu), který přijímá vstupy, násobí je váhami, přičítá bias (prahovou hodnotu) a výsledek propouští přes aktivační funkci.
Struktura neuronové sítě
Typická dopředná (feedforward) neuronová síť se skládá z několika vrstev propojených uzlů:
* Vstupní vrstva (Input Layer): Přijímají surová data (nap např. pixely obrázku, číselné parametry). * Skryté vrstvy (Hidden Layers): Jedna nebo více vrstev, které provádějí vlastní výpočty a transformace dat. Hluboké sítě jich obsahují velké množství. * Výstupní vrstva (Output Layer): Poskytuje konečný výsledek modelu (např. klasifikaci, pravděpodobnost nebo regresní hodnotu).
Typy neuronových sítí
Podle architektury a způsobu zpracování dat se sítě dělí na několik hlavních typů:
* Konvoluční neuronové sítě (CNN): Specializované na zpracování obrazu, počítačové vidění a analýzu mřížkových dat. * Rekurentní neuronové sítě (RNN): Vhodné pro sekvenční data a časové řady (např. text, řeč), kde záleží na předchozím kontextu. Dnes jsou často nahrazovány architekturou Transformer. * Transformery (Transformers): Moderní architektura založená na mechanismu pozornosti (attention), která tvoří základ velkých jazykových modelů (LLM).