====== Deep Learning (Hluboké učení) ======

**Deep Learning** (DL) je podmnožina [[it_encyklopedie:machine_learning|strojového učení]], která je založena na používání umělých neuronových sítí s mnoha vrstvami (proto "hluboké"). Tato technologie se snaží napodobit způsob, jakým lidský mozek zpracovává informace a učí se z velkého množství dat.

Zatímco klasické strojové učení často vyžaduje lidský zásah pro extrakci příznaků (feature engineering), Deep Learning je schopen se tyto příznaky naučit automaticky přímo ze surových dat.

===== 1. Architektura hlubokých sítí =====

Hluboká síť se skládá ze tří základních typů vrstev:

  * **Vstupní vrstva (Input Layer):** Přijímá surová data (např. pixely obrázku nebo číselné hodnoty).
  * **Skryté vrstvy (Hidden Layers):** Zde probíhá vlastní "hluboké" učení. Každá další vrstva extrahuje komplexnější informace (např. první vrstva najde hrany, druhá tvary, třetí celé objekty).
  * **Výstupní vrstva (Output Layer):** Poskytuje finální výsledek (např. klasifikaci "pes" nebo "kočka").



===== 2. Klíčové rozdíly oproti strojovému učení =====

^ Vlastnost ^ Strojové učení (Tradiční) ^ Deep Learning ^
| **Závislost na datech** | Funguje dobře i s menším množstvím dat. | Vyžaduje masivní datasety pro dosažení vysoké přesnosti. |
| **Hardwarové nároky** | Lze spustit na běžném CPU. | Vyžaduje vysoký výkon **GPU** (grafické karty) nebo TPU. |
| **Extrakce příznaků** | Člověk musí definovat, co je důležité (např. tvary uší). | Síť si důležité znaky najde sama v rámci tréninku. |
| **Doba trénování** | Sekundy až hodiny. | Dny až týdny (u velkých modelů). |

===== 3. Typy neuronových sítí v DL =====

Deep Learning využívá různé architektury podle typu řešeného problému:

  * **CNN (Convolutional Neural Networks):** Specializované na zpracování obrazu a videa (rozpoznávání objektů).
  * **RNN (Recurrent Neural Networks):** Vhodné pro sekvenční data, jako je řeč nebo časové řady.
  * **Transformer:** Moderní architektura pro text (NLP), která stojí za modely jako [[llm|ChatGPT]].
  * **GAN (Generative Adversarial Networks):** Dvě sítě, které soupeří mezi sebou (jedna tvoří padělky, druhá je odhaluje), používá se pro generování realistických obrázků (Deepfake).

===== 4. Jak probíhá učení? =====

Proces učení v hlubokých sítích stojí na dvou matematických pilířích:
  1. Forward Propagation: Data projdou sítí a na konci vypadne odhad.
  2. Loss Function (Chybová funkce) Vypočítá se rozdíl mezi odhadem a skutečností (chyba).
  3. Backpropagation (Zpětné šíření chyby): Chyba se šíří zpět sítí a pomocí algoritmu Gradient Descent se upravují váhy (propojení) mezi neurony tak, aby příště byla chyba menší.

[Image showing forward and backward propagation cycles in a neural network]

===== 5. Aplikace v praxi =====

  * **Autonomní vozidla:** Detekce chodců, značek a jízdních pruhů v reálném čase.
  * **Virtuální asistenti:** Siri, Alexa a Google Assistant využívají DL pro rozpoznávání hlasu.
  * **Medicína:** Analýza rentgenových snímků pro detekci nádorů s přesností často vyšší než u lékařů.
  * **Finanční trhy:** Predikce vývoje cen akcií a detekce podvodných transakcí.

> **Důležité:** Deep Learning je často kritizován jako "Black Box" (černá skříňka). I když víme, jak síť natrénovat, je extrémně obtížné přesně vysvětlit, proč se u konkrétního případu rozhodla tak, jak se rozhodla.

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