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

**Hluboké učení** (Deep Learning) je specifická oblast **strojového učení**, která využívá algoritmy inspirované strukturou a funkcí lidského mozku, nazývané **umělé neuronové sítě**. Přívlastek „hluboké“ označuje použití velkého množství vrstev mezi vstupem a výstupem.

Zatímco klasické strojové učení vyžaduje, aby člověk ručně definoval důležité znaky (features), hluboké učení se tyto znaky učí extrahovat samo přímo z dat.

===== Architektura neuronové sítě =====

Hluboké učení zpracovává data skrze hierarchickou strukturu vrstev:

  * **Vstupní vrstva (Input Layer):** Přijímá syrová data (např. pixely obrázku).
  * **Skryté vrstvy (Hidden Layers):** Zde probíhá samotný výpočet. Každá vrstva hledá složitější vzorce – první vrstva hledá hrany, druhá tvary a desátá celé objekty.
  * **Výstupní vrstva (Output Layer):** Poskytuje konečnou predikci (např. „Toto je kočka“).



===== Klíčové typy architektur =====

V IT praxi se setkáváme se třemi hlavními typy sítí:

^ Typ sítě ^ Hlavní využití ^
| **CNN** (Konvoluční) | Analýza obrazu, rozpoznávání tváří, medicínské skenování. |
| **RNN / LSTM** | Zpracování textu, řeči a časových řad (predikce burzy). |
| **Transformers** | Základ pro moderní LLM (ChatGPT, Gemini). Excelují v chápání kontextu. |



===== Hardware pro hluboké učení =====

Hluboké učení je extrémně náročné na výpočetní výkon. Vyžaduje miliony matematických operací s maticemi současně, což nezvládají běžné CPU, ale specializované čipy:

  * **GPU (Graphics Processing Unit):** Původně pro hry, dnes standard pro trénování AI díky tisícům malých jader.
  * **NPU (Neural Processing Unit):** Součást moderních [[soc|SoC]] (Apple Neural Engine), optimalizovaná pro běh hotových modelů s nízkou spotřebou.
  * **TPU (Tensor Processing Unit):** Specializované čipy od Google pro obří datová centra, na jejichž návrhu spolupracuje [[broadcom|Broadcom]].

===== Výzvy a omezení =====

  * **Černá skříňka (Black Box):** Často nevíme, proč síť dospěla k danému výsledku (problém interpretovatelnosti).
  * **Náročnost na data:** Hluboké učení vyžaduje tisíce až miliony příkladů, aby bylo přesné.
  * **Energetická náročnost:** Trénování velkých modelů spotřebovává obrovské množství elektřiny.

---
//Související pojmy: [[soc|SoC]], [[broadcom|Broadcom]], [[tsmc|TSMC]], [[https://it-slovnik.cz/pojem/strojove-uceni|Strojové učení]]//