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 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.

• 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.

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.

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).

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.

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.

— Související termíny: Deep Learning, PyTorch, TensorFlow, GPU, CUDA.