Filmedy: Nahrazení textu „ *“ textem „**“

2025-06-03T02:23:20Z

Nahrazení textu „ *“ textem „**“

Filmedy: založena nová stránka s textem „{{K rozšíření}} {{Infobox Umělá inteligence | Název = Strojové učení | Obrázek = Machine_learning_concept.svg | Popis obrázku = Schematické znázornění procesu strojového učení | Obor = Umělá inteligence, Informatika, Statistika, Matematika | Definice = Podkategorie umělé inteligence, která umožňuje počítačovým systémům učit se z dat bez explicitního progr…“

2025-05-27T18:06:53Z

založena nová stránka s textem „{{K rozšíření}} {{Infobox Umělá inteligence | Název = Strojové učení | Obrázek = Machine_learning_concept.svg | Popis obrázku = Schematické znázornění procesu strojového učení | Obor = Umělá inteligence, Informatika, Statistika, Matematika | Definice = Podkategorie umělé inteligence, která umožňuje počítačovým systémům učit se z dat bez explicitního progr…“

Nová stránka

{{K rozšíření}}
{{Infobox Umělá inteligence
| Název = Strojové učení
| Obrázek = Machine_learning_concept.svg
| Popis obrázku = Schematické znázornění procesu strojového učení
| Obor = [[Umělá inteligence]], [[Informatika]], [[Statistika]], [[Matematika]]
| Definice = Podkategorie [[umělá inteligence|umělé inteligence]], která umožňuje [[počítač|počítačovým systémům]] učit se z [[data|dat]] bez explicitního programování
| Klíčové koncepty = [[Algoritmus]], [[Model (AI)|model]], [[Datový set]], [[Trénink (strojové učení)|trénink]], [[Predikce]]
| Hlavní paradigmata = [[Učení s učitelem]], [[Učení bez učitele]], [[Reinforcement learning|Učení s posilováním]]
| Využití = [[Rozpoznávání obrazu|Rozpoznávání obrazu]], [[zpracování přirozeného jazyka|zpracování přirozeného jazyka]], [[doporučovací systém|doporučovací systémy]], [[autonomní řízení]], [[medicína]], [[finance]]
| Význam = Automatizace komplexních úloh, prediktivní analýza, objevování vzorců v datech
| Příbuzné obory = [[Hluboké učení]], [[Umělá inteligence]], [[Datová věda]], [[Statistika]]
| Historie = Zlatý věk od 50. let 20. století, boom od 2000s s velkými daty a výpočetní silou
}}
'''Strojové učení''' (anglicky ''Machine Learning'', zkráceně ''ML'') je podkategorie [[umělá inteligence|umělé inteligence]], která se zabývá vývojem [[algoritmus|algoritmů]] a [[Model (AI)|modelů]], jež umožňují [[počítač|počítačovým systémům]] "učit se" z [[data|dat]] a na základě tohoto [[učení]] provádět [[predikce]], rozhodnutí nebo automatizovat úlohy, aniž by byly explicitně naprogramovány pro každý konkrétní scénář. Místo pevných pravidel se [[strojové učení|modely strojového učení]] zlepšují s rostoucím množstvím dat, na kterých jsou trénovány.

== Základní princip ==
Jádrem [[strojové učení|strojového učení]] je myšlenka, že [[systém (věda)|systém]] může identifikovat vzorce a vztahy v [[data|datech]] a poté je aplikovat na nová, neviděná [[data]]. Tento proces obvykle zahrnuje následující kroky:

1. '''Sběr dat:''' Shromáždění relevantního [[datový set|datového souboru]] (např. [[obrázky]], [[text]], [[číslo|čísla]], [[zvuk (fyzika)|zvukové]] záznamy).
2. '''Předzpracování dat:''' Čištění, transformace a normalizace dat, aby byla vhodná pro [[učení]].
3. '''Výběr [[Model (AI)|modelu]]:''' Zvolení vhodného [[algoritmus|algoritmu]] (např. [[neuronová síť|neuronové sítě]], [[rozhodovací strom|rozhodovací stromy]], [[regrese]]).
4. '''Trénink [[Model (AI)|modelu]]:''' [[Algoritmus|Algoritmus]] se "učí" z tréninkových dat, přičemž upravuje své vnitřní parametry tak, aby minimalizoval chyby nebo maximalizoval přesnost.
5. '''Vyhodnocení [[Model (AI)|modelu]]:''' Testování výkonu trénovaného [[Model (AI)|modelu]] na nových, neviděných datech, aby se zjistilo, jak dobře zobecňuje.
6. '''Nasazení:''' Použití trénovaného [[Model (AI)|modelu]] pro řešení reálných problémů.

== Paradigma strojového učení ==
Strojové učení se dělí na několik hlavních paradigmat podle způsobu, jakým se [[Model (AI)|model]] učí:

* '''[[Učení s učitelem]] (Supervised Learning):'''
* Nejběžnější typ. [[Model (AI)|Model]] se učí z označených dat, kde každý vstupní vzorek má přiřazený správný výstup (label).
* Cíl: Naučit se mapovat vstup na správný výstup.
* Příklady: [[Klasifikace]] (např. rozpoznávání spamových [[e-mail|e-mailů]], diagnostika nemocí), [[regrese]] (např. predikce cen domů, předpověď počasí).
* [[Algoritmus|Algoritmy]]: [[Podpůrné vektorové stroje]] (SVM), [[Lineární regrese]], [[Logistická regrese]], [[Neuronová síť|Neuronové sítě]].

* '''[[Učení bez učitele]] (Unsupervised Learning):'''
* [[Model (AI)|Model]] se učí z neoznačených dat a snaží se objevit skryté vzorce, struktury nebo vztahy v datech.
* Cíl: Pochopit strukturu dat, redukce dimenzionality.
* Příklady: [[Klastrování]] (např. segmentace zákazníků, seskupování dokumentů), [[asociační pravidla]] (např. analýza nákupního košíku).
* [[Algoritmus|Algoritmy]]: [[K-means]], [[Hierarchické shlukování]], [[Analýza hlavních komponent]] (PCA).

* '''[[Reinforcement learning|Učení s posilováním]] (Reinforcement Learning):'''
* [[Model (AI)|Agent]] se učí interagovat s prostředím a dostává odměnu nebo trest za svá [[akce]]. Cílem je maximalizovat celkovou odměnu v průběhu času.
* Cíl: Naučit se optimální strategii pro rozhodování v dynamickém prostředí.
* Příklady: [[Autonomní řízení]], hraní her (např. [[DeepMind AlphaGo|AlphaGo]]), [[robotika]].
* [[Algoritmus|Algoritmy]]: [[Q-learning]], [[SARSA]].

* '''[[Poloautomatické učení|Poloautomatické učení]] (Semi-supervised Learning):''' Kombinuje malé množství označených dat s velkým množstvím neoznačených dat.

== Příbuzné obory a technologie ==

* '''[[Hluboké učení]] (Deep Learning):''' Je specializovaná forma [[strojové učení|strojového učení]], která využívá [[neuronová síť|neuronové sítě]] s mnoha vrstvami (hluboké sítě) k učení komplexních reprezentací dat. Je zodpovědné za největší průlomy v [[umělá inteligence|AI]] v posledním desetiletí (např. [[rozpoznávání obrazu|rozpoznávání obrazu]], [[zpracování přirozeného jazyka|zpracování přirozeného jazyka]], [[generativní umělá inteligence|generativní AI]]).
* '''[[Datová věda]] (Data Science):''' Širší obor, který zahrnuje [[strojové učení]], ale také sběr, [[analýza dat|analýzu]], vizualizaci a interpretaci dat.
* '''[[Statistika]]:''' Poskytuje matematické základy pro [[strojové učení]].

== Aplikace ==
[[Strojové učení]] se stalo nedílnou součástí moderního [[svět|světa]] a najdeme ho v široké škále aplikací:
* '''[[Rozpoznávání obrazu|Rozpoznávání obrazu]] a [[Počítačové vidění]]:''' Detekce objektů, rozpoznávání tváří, [[lékařská diagnostika]] z [[obrázky|obrazových dat]].
* '''[[Zpracování přirozeného jazyka|Zpracování přirozeného jazyka]] (NLP):''' [[Překlad (lingvistika)|Překlad jazyků]], analýza sentimentu, [[chatbot|chatboty]], rozpoznávání [[řeč|řeči]], [[velký jazykový model|velké jazykové modely]] ([[LLMs]]).
* '''[[Doporučovací systém|Doporučovací systémy]]:''' Suggestování produktů na [[e-commerce]] webech (např. [[Amazon]]), filmů ([[Netflix]]), hudby ([[Spotify]]).
* '''[[Autonomní řízení]]:''' Rozpoznávání dopravních značek, chodců, plánování trasy.
* '''[[Medicína]]:''' Objevování [[léky|léků]], diagnostika nemocí, personalizovaná [[medicína]].
* '''[[Finance]]:''' Detekce podvodů, algoritmické obchodování, hodnocení úvěruschopnosti.
* '''Personalizace:''' Adaptivní uživatelská rozhraní, cílená [[reklama|reklama]].

== Výzvy a etické otázky ==
Přes obrovský potenciál se [[strojové učení]] potýká i s výzvami:
* '''Kvalita a dostupnost dat:''' [[Model (AI)|Modely]] jsou jen tak dobré jako [[data]], na kterých jsou trénovány. [[Špatná data]] vedou ke [[špatná data|špatným výsledkům]].
* '''Interpretovatelnost:''' Zejména u komplexních [[hluboké učení|hlubokých neuronových sítí]] je obtížné pochopit, proč [[Model (AI)|model]] dospěl k určitému rozhodnutí (tzv. "black box" problém).
* '''Předsudky a [[diskriminace]]:''' Pokud tréninková [[data]] obsahují [[předsudek|předsudky]], [[Model (AI)|model]] se je naučí a může je replikovat nebo zesílit ve svých výstupech, což vede k nespravedlivým nebo diskriminačním výsledkům.
* '''Bezpečnost a odolnost:''' [[Model (AI)|Modely]] mohou být zranitelné vůči [[kybernetický útok|adversariálním útokům]], kdy malé změny ve vstupu vedou k chybným výstupům.
* '''Etické otázky:''' Jak zodpovědně nasazovat [[AI]] systémy, regulace, dopad na pracovní místa.

== Strojové učení pro laiky ==
Představte si, že chcete naučit [[počítač]], aby poznával [[pes|psy]] na [[fotografie|fotkách]].
Tradičně byste museli napsat přesný [[program]], který by obsahoval spoustu pravidel: "Pokud má [[zvíře]] čtyři [[noha|nohy]], [[ocas]], [[čumák]] a štěká, je to [[pes]]." Jenže co když [[pes]] sedí, nebo je jen část jeho [[tělo|těla]] vidět? Bylo by to strašně složité napsat pravidla pro všechny možné situace.

A právě tady přichází na řadu '''strojové učení'''. Místo, abyste počítači říkali přesně co dělat, '''ukážete mu spoustu příkladů'''.
1. '''Dáte mu hromadu [[fotografie|fotek]]:''' Některé s [[pes|psy]] (ty označíte jako "pes"), jiné bez nich (ty označíte jako "ne-pes").
2. '''Počítač se učí sám:''' [[Počítač]] pak "studuje" tyto [[fotografie|fotky]] a sám si najde vzorce a rysy, které [[pes|psy]] odlišují od ostatních věcí. Je to jako by se sám "podíval" na tisíce [[fotografie|fotek]] a řekl si: "Aha, tohle je typické pro [[pes|psa]]."
3. '''A pak poznává nové:''' Když mu pak ukážete úplně novou [[fotografie|fotku]], kterou nikdy předtím neviděl, on se pokusí podle vzorců, které se naučil, rozpoznat, jestli je na ní [[pes]] nebo ne. A čím více [[fotografie|fotek]] jste mu ukázali na začátku, tím lépe to pak zvládne.

Takže [[strojové učení]] je vlastně způsob, jak naučit [[počítač]] plnit úkoly tím, že mu dáte data a necháte ho, aby se z nich učil, místo abyste mu řekli každý detail. Je to základ pro spoustu věcí, které dnes používáme – třeba [[doporučovací systém|doporučování]] filmů, rozpoznávání hlasu v telefonu nebo automatické překlady.

== Viz také ==
* [[Umělá inteligence]]
* [[Hluboké učení]]
* [[Neuronová síť]]
* [[Generativní umělá inteligence]]
* [[Učení s učitelem]]
* [[Učení bez učitele]]
* [[Reinforcement learning|Učení s posilováním]]
* [[Datová věda]]
* [[Algoritmus]]
* [[Predikce]]
* [[Analýza dat]]

== Odkazy ==
* [https://www.britannica.com/technology/machine-learning Britannica – Machine learning] (anglicky)
* [https://developers.google.com/machine-learning/what-is-ml Google Developers – What is Machine Learning?] (anglicky)
* [https://www.ibm.com/cloud/blog/machine-learning-vs-deep-learning IBM Blog – Machine Learning vs. Deep Learning] (anglicky)
* [https://www.wikiskripta.eu/w/Strojov%C3%A9_u%C4%8Den%C3%AD Wikiskripta – Strojové učení] (česky)

[[Kategorie:Strojové učení]]
[[Kategorie:Umělá inteligence]]
[[Kategorie:Informatika]]
[[Kategorie:Statistika]]
[[Kategorie:Analýza dat]]
[[Kategorie:Algoritmy]]
[[Kategorie:Hluboké učení]]

← Starší verze		Verze z 3. 6. 2025, 04:23
Řádek 29:		Řádek 29:

	* '''[[Učení s učitelem]] (Supervised Learning):'''		* '''[[Učení s učitelem]] (Supervised Learning):'''
	* Nejběžnější typ. [[Model (AI)\|Model]] se učí z označených dat, kde každý vstupní vzorek má přiřazený správný výstup (label).		** Nejběžnější typ. [[Model (AI)\|Model]] se učí z označených dat, kde každý vstupní vzorek má přiřazený správný výstup (label).
	* Cíl: Naučit se mapovat vstup na správný výstup.		** Cíl: Naučit se mapovat vstup na správný výstup.
	* Příklady: [[Klasifikace]] (např. rozpoznávání spamových [[e-mail\|e-mailů]], diagnostika nemocí), [[regrese]] (např. predikce cen domů, předpověď počasí).		** Příklady: [[Klasifikace]] (např. rozpoznávání spamových [[e-mail\|e-mailů]], diagnostika nemocí), [[regrese]] (např. predikce cen domů, předpověď počasí).
	* [[Algoritmus\|Algoritmy]]: [[Podpůrné vektorové stroje]] (SVM), [[Lineární regrese]], [[Logistická regrese]], [[Neuronová síť\|Neuronové sítě]].		** [[Algoritmus\|Algoritmy]]: [[Podpůrné vektorové stroje]] (SVM), [[Lineární regrese]], [[Logistická regrese]], [[Neuronová síť\|Neuronové sítě]].

	* '''[[Učení bez učitele]] (Unsupervised Learning):'''		* '''[[Učení bez učitele]] (Unsupervised Learning):'''
	* [[Model (AI)\|Model]] se učí z neoznačených dat a snaží se objevit skryté vzorce, struktury nebo vztahy v datech.		** [[Model (AI)\|Model]] se učí z neoznačených dat a snaží se objevit skryté vzorce, struktury nebo vztahy v datech.
	* Cíl: Pochopit strukturu dat, redukce dimenzionality.		** Cíl: Pochopit strukturu dat, redukce dimenzionality.
	* Příklady: [[Klastrování]] (např. segmentace zákazníků, seskupování dokumentů), [[asociační pravidla]] (např. analýza nákupního košíku).		** Příklady: [[Klastrování]] (např. segmentace zákazníků, seskupování dokumentů), [[asociační pravidla]] (např. analýza nákupního košíku).
	* [[Algoritmus\|Algoritmy]]: [[K-means]], [[Hierarchické shlukování]], [[Analýza hlavních komponent]] (PCA).		** [[Algoritmus\|Algoritmy]]: [[K-means]], [[Hierarchické shlukování]], [[Analýza hlavních komponent]] (PCA).

	* '''[[Reinforcement learning\|Učení s posilováním]] (Reinforcement Learning):'''		* '''[[Reinforcement learning\|Učení s posilováním]] (Reinforcement Learning):'''
	* [[Model (AI)\|Agent]] se učí interagovat s prostředím a dostává odměnu nebo trest za svá [[akce]]. Cílem je maximalizovat celkovou odměnu v průběhu času.		** [[Model (AI)\|Agent]] se učí interagovat s prostředím a dostává odměnu nebo trest za svá [[akce]]. Cílem je maximalizovat celkovou odměnu v průběhu času.
	* Cíl: Naučit se optimální strategii pro rozhodování v dynamickém prostředí.		** Cíl: Naučit se optimální strategii pro rozhodování v dynamickém prostředí.
	* Příklady: [[Autonomní řízení]], hraní her (např. [[DeepMind AlphaGo\|AlphaGo]]), [[robotika]].		** Příklady: [[Autonomní řízení]], hraní her (např. [[DeepMind AlphaGo\|AlphaGo]]), [[robotika]].
	* [[Algoritmus\|Algoritmy]]: [[Q-learning]], [[SARSA]].		** [[Algoritmus\|Algoritmy]]: [[Q-learning]], [[SARSA]].

	* '''[[Poloautomatické učení\|Poloautomatické učení]] (Semi-supervised Learning):''' Kombinuje malé množství označených dat s velkým množstvím neoznačených dat.		* '''[[Poloautomatické učení\|Poloautomatické učení]] (Semi-supervised Learning):''' Kombinuje malé množství označených dat s velkým množstvím neoznačených dat.

Strojové učení - Historie editací

Filmedy: Nahrazení textu „ *“ textem „**“