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. 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. Učení bez učitele - hledáme odlišnosti (třeba černou ovci) Učení posilováním

• 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 xⁱ 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.

• V případě vícevrstvé neuronové sítě dochází k rozlišení tří typů vrstev: vstupní, výstupní a skryté (jsou skryty vnějšímu pozorovateli).

• učení s učitelem
  • 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
    1. Feed-forward: výpočet odezvy sítě na základě prediktorů
    2. backpropagation: zjištění predikční chyby a změna hodnot vah k jejímu odstranění
• učení bez učitele
  • nemá žádné vnější kritérium správnosti a dochází pouze k hledání vzorků se společnými vlastnostmi.

• 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