====== Neuronové sítě (Artificial Neural Networks) ======

**Umělé neuronové sítě (ANN)** jsou výpočetní modely inspirované biologickými neuronovými sítěmi v lidském mozku. Jsou základem oboru **hlubokého učení (Deep Learning)** a umožňují počítačům učit se z dat, rozpoznávat vzorce a činit rozhodnutí s minimálním zásahem člověka.

Neuronová síť není "naprogramována" k řešení konkrétního úkolu; místo toho se úkol "naučí" pomocí analýzy tisíců nebo milionů příkladů.



===== Základní stavební kameny =====

==== 1. Neuron (Perceptron) ====
Základní jednotka sítě. Přijímá jeden nebo více vstupů, vynásobí je **vahami**, sečte je a výsledek prožene **aktivační funkcí**, která určí, zda a jak silný signál bude poslán dál.

==== 2. Váhy (Weights) a Biases ====
  * **Váhy:** Určují důležitost konkrétního vstupu. Během učení se tyto váhy mění.
  * **Bias (Posun):** Pomocná hodnota, která umožňuje posunout aktivační funkci tak, aby model lépe odpovídal datům.

==== 3. Aktivační funkce ====
Matematická funkce (např. **ReLU**, **Sigmoid** nebo **Softmax**), která zavádí do sítě nelinearitu. Bez ní by byla síť jen složitou lineární rovnicí a nedokázala by řešit komplexní problémy.

===== Architektura sítě =====

Typická neuronová síť se skládá z vrstev (layers):



  * **Vstupní vrstva (Input Layer):** Přijímá syrová data (např. pixely obrázku nebo hodnoty z tabulky).
  * **Skryté vrstvy (Hidden Layers):** Zde probíhá "kouzlo". Tyto vrstvy extrahují rysy z dat. Čím více skrytých vrstev síť má, tím je "hlubší".
  * **Výstupní vrstva (Output Layer):** Poskytuje konečný výsledek (např. pravděpodobnost, že na obrázku je kočka).

===== Jak se síť učí? (Trénování) =====

Učení probíhá v cyklu, který má dvě hlavní fáze:

  1. **Dopředný chod (Forward Propagation):** Data projdou sítí od vstupu k výstupu a síť vygeneruje odhad.
  2. **Výpočet chyby (Loss Function):** Výsledek sítě se porovná se skutečností (např. síť řekla "pes", ale na obrázku je "kočka").
  3. **Zpětné šíření chyby (Backpropagation):** Pomocí algoritmu **Gradient Descent** se chyba pošle zpět sítí a váhy se mírně upraví tak, aby příště byla chyba menší.



===== Typy neuronových sítí =====

Podle toho, jak jsou neurony propojeny, rozlišujeme různé typy pro různé úkoly:
  * **CNN (Konvoluční sítě):** Specializované na zpracování obrazu (rozpoznávání tváří, medicínské snímky).
  * **RNN (Rekurentní sítě):** Vhodné pro data v čase (překlad jazyka, předpověď akcií).
  * **Transformery:** Moderní architektura (základ pro ChatGPT), která exceluje v porozumění textu.

===== Srovnání: Biologická vs. Umělá síť =====

^ Vlastnost ^ Biologický mozek ^ Umělá síť ^
| **Rychlost signálu** | Pomalá (elektrochemická) | Extrémně rychlá (elektronická) |
| **Energetická náročnost** | Velmi nízká (cca 20 W) | Velmi vysoká (tisíce W v datacentrech) |
| **Učení** | Neustálé, adaptivní | Oddělená fáze trénování a používání |
| **Konektivita** | Masivně paralelní | Vrstvená, simulovaná na [[gpu|GPU]] |

---
**Související termíny:** [[deep_learning|Deep Learning]], [[pytorch|PyTorch]], [[tensorflow|TensorFlow]], [[gpu|GPU]], [[cuda|CUDA]].