https://serviceit.cz/ Tue, 27 Oct 2026 15:29:15 +0000 FeedCreator 1.8 https://serviceit.cz/lib/exe/fetch.php?media=wiki:dokuwiki.svg https://serviceit.cz/ https://serviceit.cz/doku.php?id=it:ml:algoritmy&rev=1767350415&do=diff Přehled algoritmů Machine Learningu Tato stránka slouží jako katalog základních i pokročilých algoritmů strojového učení. Výběr správného algoritmu závisí na typu dat, velikosti datasetu a požadovaném výstupu (predikce čísla, zařazení do kategorie, nalezení struktury). anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 10:40:15 +0000 https://serviceit.cz/doku.php?id=it:ml:clustering&rev=1767354210&do=diff Shlukování (Clustering) Shlukování (nebo také clustering) je metoda učení bez učitele, která spočívá v rozdělování datových objektů do skupin (shluků) tak, aby si objekty uvnitř jedné skupiny byly co nejvíce podobné, zatímco objekty z různých skupin byly co nejvíce odlišné. anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 11:43:30 +0000 https://serviceit.cz/doku.php?id=it:ml:data_cleaning&rev=1767354497&do=diff Základy čištění dat (Data Cleaning) Čištění dat je proces identifikace a opravy (nebo odstranění) chybných, poškozených, nesprávně formátovaných, duplicitních nebo neúplných dat v rámci datasetu. Cílem je vytvořit čistou, konzistentní sadu dat připravenou pro analýzu a trénování modelů. anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 11:48:17 +0000 https://serviceit.cz/doku.php?id=it:ml:deep_learning&rev=1767356424&do=diff Deep Learning a neuronové sítě Deep Learning (Hluboké učení) je odvětví strojového učení, které využívá vícevrstvé umělé neuronové sítě k řešení složitých úloh, jako je rozpoznávání obrazu, řečové technologie nebo prediktivní analýza. Termín anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 12:20:24 +0000 https://serviceit.cz/doku.php?id=it:ml:distance_metrics&rev=1767354231&do=diff Metriky vzdálenosti v Machine Learningu Metriky vzdálenosti jsou matematické funkce, které definují „blízkost“ mezi dvěma datovými body v n-rozměrném prostoru. Volba správné metriky zásadně ovlivňuje výkon algoritmů strojového učení, zejména u $$d(x, y) = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2}$$$$d(x, y) = \sum_{i=1}^{n} |x_i - y_i|$$$$\cos(\theta) = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|}$$$$d(x, y) = \left( \sum_{i=1}^{n} |x_i - y_i|^p \right)^{1/p}$$… anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 11:43:51 +0000 https://serviceit.cz/doku.php?id=it:ml:eda&rev=1767354525&do=diff Explorační analýza dat (EDA) Explorační analýza dat (Exploratory Data Analysis - EDA) je přístup k analýze datových sad s cílem shrnout jejich hlavní charakteristiky, často pomocí vizuálních metod. Místo abychom hned aplikovali složité modely, snažíme se nejprve pochopit, co nám data říkají, jakou mají strukturu a kde se nacházejí chyby. anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 11:48:45 +0000 https://serviceit.cz/doku.php?id=it:ml:outliers&rev=1767354466&do=diff Jak pracovat s odlehlými hodnotami (Outliers) Odlehlá hodnota (Outlier) je datový bod, který se výrazně liší od ostatních pozorování v datové sadě. Může jít o chybu měření, chybu při zadávání dat, nebo o vzácný, ale reálný extrém (např. plat miliardáře v průzkumu mezd).$|Z| > 3$$Q3$$Q1$$Q1 - 1.5 \cdot IQR$$Q3 + 1.5 \cdot IQR$ anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 11:47:46 +0000 https://serviceit.cz/doku.php?id=it:ml:pca&rev=1767354414&do=diff Redukce dimenzionality (PCA) Redukce dimenzionality je proces snižování počtu vstupních proměnných (rysů/dimenzí) v datové sadě. Cílem je zjednodušit data, odstranit šum a umožnit vizualizaci při zachování co největšího množství původních informací. anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 11:46:54 +0000 https://serviceit.cz/doku.php?id=it:ml:standardization&rev=1767354441&do=diff Standardizace a normalizace dat Feature Scaling (úprava měřítka) je proces sjednocení rozsahu hodnot všech vstupních proměnných. Většina algoritmů strojového učení (zejména ty využívající metriky vzdálenosti jako k-NN, SVM nebo PCA) vyžaduje, aby data byla ve stejném měřítku, jinak budou proměnné s většími čísly neoprávněně dominovat modelu.$$x_{norm} = \frac{x - x_{min}}{x_{max} - x_{min}}$$$$z = \frac{x - \mu}{\sigma}$$ anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 11:47:21 +0000 https://serviceit.cz/doku.php?id=it:ml:supervised_learning&rev=1767354165&do=diff 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 anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 11:42:45 +0000 https://serviceit.cz/doku.php?id=it:ml:unsupervised_learning&rev=1767354187&do=diff Učení bez učitele (Unsupervised Learning) Učení bez učitele je typ strojového učení, kde algoritmus pracuje s daty, která nejsou označená (nemají žádné labely/štítky). Model nedostává žádné „správné odpovědi“, ale snaží se sám najít vzorce, podobnosti nebo anomálie v surových datech. anonymous@undisclosed.example.com (Anonymous) Fri, 02 Jan 2026 11:43:07 +0000