Přejít na cvičení:
Rozhodovačka
Přejít na téma:
Strojové učení: pojmy
Zobrazit na celou obrazovku
Procvičujte neomezeně

Váš denní počet odpovědí je omezen. Pro navýšení limitu či přístup do svého účtu s licencí se přihlaste.

Přihlásit se
Zobrazit shrnutí tématu
NEE
Sdílet
Zobrazit nastavení cvičení

QR kód

QR kód lze naskenovat např. mobilním telefonem a tak se dostat přímo k danému cvičení nebo sadě příkladů.

Kód / krátká adresa

Tříznakový kód lze napsat do vyhledávacího řádku, také je součástí zkrácené adresy.

Zkopírujte kliknutím.

NEE
umime.to/NEE

Nastavení cvičení


Pozor, nastavení je platné pouze pro toto cvičení a předmět.

umime.to/NEE

Strojové učení: pojmy

Zde uvádíme přehled pojmů, se kterými se můžete často potkat v textech o strojovém učení. Mnoho z nich zatím nemá ustálené české překlady, proto se i v českých textech často používají anglické výrazy (níže uvedené kurzivou v závorce). Podrobnější vysvětlení jednotlivých pojmů najdete v dílčích tématech strojového učení.

pojem popis
strojové učení učení programů na základě dat
model mapování vstupů na výstupy (řešení úlohy strojového učení)
datová sada (dataset) data pro trénování modelu
příklad (example) jeden kompletní vstup pro model (řádek datasetu)
atribut (feature) informace o příkladech použitá modelem (sloupec datasetu)
štítek (label) správný výstup pro daný příklad
anotování dat přiřazování správných výstupů (štítků)
označkovaná data data s požadovaným výstupem (štítkem)
predikce předpověď, odhad (výstup modelu)
inference vytvoření odhadů natrénovaným modelem
učení s učitelem (supervised learning) přístup ke strojovému učení využívající označkovaná data
učení bez učitele (unsupervised learning) přístup ke strojovému učení využívající neoznačkovaná data
učení s částečným dohledem (semi-supervised learning) přístup ke strojovému učení využívající označkovaná i neoznačkovaná data
posilované učení, zpětnovazební učení (reinforcement learning) učení skrze interakci s prostředím zahrnující zpětnou vazbu na provedené akce
klasifikace úloha určit příslušnost příkladu k jedné z několika předem daných kategorií (např. žánr knížky)
regrese úloha určit číselnou hodnotu pro daný příklad (např. hodnocení knížky)
řazení (ranking) úkol uspořádat příklady (např. doporučení knížek)
detekce anomálií úkol odhalit příklady, které se výrazně liší od zbytku dat
shlukování (clustering) úloha rozdělit příklady do skupin (shluků, clusters) s podobnými vlastnostmi
generativní umělá inteligence (generative AI) modely generující komplexní výstupy, např. odpovědi nebo obrázky
lineární model model určující výstup na základě váženého součtu atributů
rozhodovací strom (decision tree) model určující výstup na základě posloupnosti podmínek
náhodný les (random forest) model složený z mnoha rozhodovacích stromů
neuronová síť model volně inspirovaný strukturou mozku, složený z mnoha propojených „neuronů“ počítajících jednoduchou funkci, typicky organizovaných do vrstev
hluboké učení (deep learning) učení neuronových sítí s mnoha vrstvami
velký jazykový model (Large Language Model, LLM) rozsáhlá neuronová síť predikující pravděpodobnost dalšího slova (např. GPT)
transformátor (transformer) typ neuronové sítě umožňující efektivní učení na rozsáhlých datech (T v GPT znamená právě transformátor)
parametry, váhy hodnoty modelu, které lze měnit během učení
gradientní sestup (gradient descent) učící algoritmus, který opakovaně mění parametry modelu ve směru největší změny (gradientu) chybové funkce
stochastický gradientní sestup (SGD) efektivní varianta gradientního sestupu využívají prvek náhodnosti
trénovací data data použitá k učení modelu
testovací data data použitá k vyhodnocení modelu
generalizace schopnost predikovat správné výstupy i pro nová data (tedy zobecňovat)
memorizace pouhé zapamatování správných výstupů trénovací data
podučení (underfitting) model má vysokou chybovost, protože je příliš jednoduchý na danou úlohu
přeučení (overfitting) přesné zapamatování trénovacích dat na úkor schopnosti generalizovat
regularizace metody zabraňující přeučení, např. penalizace komplexity modelu
zkreslení, předpojatost, (bias) systematická chyba, která vede k neférovým důsledkům
výběrové zkreslení (selection bias) typ zkreslení, kdy data nereprezentují adekvátně všechny typy případů
základní model (baseline) jednoduché řešení úlohy použité pro srovnání se složitějšími metodami
metrika hodnota vyjadřující kvalitu modelu
střední kvadratická chyba (mean squared error) metrika pro regresní úlohy, průměrná druhá mocnina odchylky mezi predikovanou a skutečnou hodnotou
správnost (accuracy) metrika pro klasifikační úlohy, podíl správných odpovědí
přesnost (precision) metrika pro klasifikační úlohy, kolik ze všech označených příkladů je pozitivních
pokrytí (recall) metrika pro klasifikační úlohy, kolik ze všech pozitivních příkladů model detekoval
matice záměn (confusion matrix) tabulka zobrazující, kolik kterých kategorií bylo jak klasifikováno
tenzorové procesy, TPU (Tensor Processing Unit) procesory specializované na strojové učení
Zavřít

Strojové učení: pojmy (střední)

Vyřešeno:

NAPIŠTE NÁM

Děkujeme za vaši zprávu, byla úspěšně odeslána.

Napište nám

Nevíte si rady?

Nejprve se prosím podívejte na časté dotazy:

Čeho se zpráva týká?

Vzkaz Obsah Ovládání Přihlášení Licence