IT ENCYKLOPEDIE

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== Neuronová síť (Umělá neuronová síť) ======

**Umělá neuronová síť** (ANN - Artificial Neural Network) je výpočetní model inspirovaný strukturou a fungováním biologických neuronů v lidském mozku. Je to základní nástroj [[it_encyklopedie:machine_learning|strojového učení]], který se dokáže učit rozpoznávat vzorce, klasifikovat data a předpovídat budoucí jevy.

Namísto toho, aby byl programátorovi zadán přesný algoritmus "krok za krokem", neuronová síť se učí pomocí příkladů a postupné úpravy vnitřních parametrů.

===== 1. Základní stavební prvek: Umělý neuron =====

Umělý neuron (perceptor) je matematická funkce, která pracuje ve třech krocích:
  * **Vstupy (Inputs):** Přijímá signály (data), kde každý vstup má svou **váhu** (weight). Váha určuje důležitost daného vstupu.
  * **Sumační funkce:** Všechny vážené vstupy se sečtou a přičte se k nim tzv. **bias** (posun).
  * **Aktivační funkce:** Výsledek projde funkcí (např. Sigmoid nebo ReLU), která rozhodne, zda a jak silný signál neuron pošle dál.



===== 2. Struktura sítě (Vrstvy) =====

Neurony jsou organizovány do vrstev. Informace standardně protéká směrem od vstupu k výstupu:

  * **Vstupní vrstva (Input Layer):** Přijímá data z vnějšího světa (např. hodnoty pixelů).
  * **Skryté vrstvy (Hidden Layers):** Zde probíhá hlavní zpracování. Sítě s mnoha skrytými vrstvami nazýváme [[it_encyklopedie:deep_learning|hlubokými sítěmi]].
  * **Výstupní vrstva (Output Layer):** Produkuje finální výsledek (např. pravděpodobnost, že na obrázku je "auto").



===== 3. Proces učení (Trénování) =====

Učení neuronové sítě je proces optimalizace vah. Probíhá v nekonečných cyklech:

  * **Forward Pass (Dopředný chod):** Data projdou sítí a ta vygeneruje odhad.
  * **Výpočet chyby:** Odhad se porovná se skutečným výsledkem pomocí **ztrátové funkce** (Loss Function).
  * **Backpropagation (Zpětné šíření chyby):** Algoritmus vypočítá, jak moc se jednotlivé váhy podílely na chybě.
  * **Optimizer (Optimalizátor):** Upraví váhy tak, aby v příštím kole byla chyba menší (nejčastěji metodou //Gradient Descent//).

===== 4. Klíčové typy sítí =====

^ Typ ^ Název ^ Hlavní využití ^
| **MLP** | Multi-Layer Perceptron | Základní tabulková data, jednoduché predikce. |
| **CNN** | Convolutional Neural Network | Zpracování obrazu, rozpoznávání objektů. |
| **RNN** | Recurrent Neural Network | Zpracování textu, řeči a časových řad (má "paměť"). |
| **GAN** | Generative Adversarial Network | Generování realistických obrázků a syntetických dat. |

===== 5. Výhody a limity =====

  * **Výhody:** Schopnost řešit nelineární problémy, odolnost vůči šumu v datech a vysoká přesnost v komplexních úlohách (vize, jazyk).
  * **Limity:** Vyžadují obrovské množství dat, vysoký výpočetní výkon (GPU) a trpí problémem "černé skříňky" – je těžké vysvětlit, proč síť dospěla k určitému výsledku.



> **Zajímavost:** První model umělého neuronu vznikl již v roce 1943 (McCulloch-Pitts), ale skutečný rozmach nastal až po roce 2010 díky dostupnosti výkonných grafických karet a velkých dat (Big Data).

[[it_encyklopedie:ai_rozcestnik|Zpět na AI rozcestník]]