====== neuronová síť ======
[[https://www.youtube.com/watch?v=iYiG5auR39U|VIDEO]]

Jsou dva druhy umělé inteligence - silná a slabá. Tou slabou se zabýváme my, silná umělá inteligence je spíše zatím scifi, protože modeluje mozek jako celek. 

Neurony a síť v hlavě, kde každý elektrický výboj (když si mozek posílá informace nebo tak) je jako číslo. A cílem učení je najít správné nastavení těch čísel. Jak? Třeba minimalizací chyby metodou největšího spádu (buď letím nahoru nebo dolů, je to jedno) - což může ovšem občas selhat kvůli sedlovému bodu (což je lokální minimum)

  * po propojení neuronů mezi sebou vzniká neuronová síť
  * její předností je schopnost učit se, tedy zapamatovat si kombinace, které vedly k požadovanému výstupu a u nových vstupů se potom obracet na svoji paměť a na základě zkušeností odhadovat nový výsledek
  * generalizace (zevšeobecňování) = přiměřená dovednost správně zareagovat i na vstupy, které nebyly součástí trénovacích dat, a vyvodit z nich obecné závěry o datech 
  * Umělá neuronová síť (Arctifical Neural Network – ANN), také známá jako simulovaná neuronová síť (Simulated Neural Network – SNN) či neuronová síť, je skupina umělých neuronů, jenž jsou vzájemně propojeny; čili prakticky jde o snahu napodobit činnosti lidského mozku ve smyslu získání poznatků ze sítě pomocí procesu učení. Skupina neuronových sítí využívá matematický nebo výpočetní model pro zpracování informací na základě spojitého přístupu k výpočtu. Ve většině případů se jedná o adaptivní systém, který mění svou strukturu založenou na vnitřních nebo vnějších informacích které jí proudí. Používá se k modelování vztahu mezi vícerozměrnou vstupní proměnnou //x// a vícerozměrnou výstupní proměnnou //y//.
  * Základní stavební jednotkou je neuron, který má libovolný počet vstupů x<sup>i</sup> a jeden výstup y . Citlivost vstupů je určena vahami w_i přiřazenými jednotlivým vstupním proměnným. Každý prvek x_i je vynásoben příslušnou vahou w_i a od výsledné hodnoty je odečten práh θ, který aktivuje výstup neuronu. Následně je přechodovou funkcí σ transformován vnitřní potenciál a dochází k vygenerování výstupu. Mezi nejčastěji používané funkce patří např.: sigmoida se střední hodnotou v bodě (0;0), logistická funkce, prahová funkce, hyperbolický tangens, apod. 
 {{ ::neuron1.png?direct&400 |}}
  * V případě vícevrstvé neuronové sítě dochází k rozlišení tří typů vrstev: vstupní, výstupní a skryté (jsou skryty vnějšímu pozorovateli). 
{{ ::neuron2.png?direct&400 |}}

=== učení  ===
  * **učení s učitelem**
    * ten už to umí a řekne mi, jestli jsem dobře nebo špatně, případně o kolik. Chyba jako funkce, která říká, jak moc se to naše doposud naučené řešení liší od toho ideálního řešení.
      * pro jednotlivé tréninkové vstupy je znám požadovaný výstup a na základě rozdílu (chyby) mezi požadovaným a skutečným výstupem algoritmus provádí korekci vah, čímž dochází k adaptaci sítě
      * **feed-forward-backpropagation**
          * nejpoužívanější metoda učení s učitelem v případě vícevrstnaté sítě
          - Feed-forward: výpočet odezvy sítě na základě prediktorů
          - backpropagation: zjištění predikční chyby a změna hodnot vah k jejímu odstranění
          * 
  * **učení bez učitele**
      * hledáme odlišnosti (třeba černou ovci)
      * nemá žádné vnější kritérium správnosti a dochází pouze k hledání vzorků se společnými vlastnostmi. 

=== přeučení sítě ===
  * malý počet neuronů v síti -> slabší schopnost vystihnout a popsat závislosti v trénovacích datech
  * **přeučení** = příliš velký počet neuronů v síti -> slabší schopnost generalizace (vystihnutí správného výsledku na nových datech)
  * taky při velkém počtu vstupních parametrů a relativně málo pozorování