Umělá inteligence
Umělá inteligence a rozpoznávání, od stavového prostoru nahoru.
Umělá inteligence a rozpoznávání, od stavového prostoru nahoru
Tahle wiki vznikla z toho, že se umělá inteligence špatně vysvětluje ze slidů. Slide ukáže vzorec a tabulku vlastností, ale neřekne, proč ten algoritmus existuje a kde přesně selže. To druhé je přitom jediné, co si v praxi doopravdy vybavíš.
Cílem je, aby po přečtení nešlo o magii. Abys věděl, co se skutečně děje, když A* najde cestu, když se síť naučí XOR, nebo když k-means rozseká shluk napůl - a proč se to občas rozbije.
Předpokládám nulové vstupní znalosti. Nepředpokládám ale nezájem: kde je něco komplikované, píšu to komplikovaně a vysvětluju, místo abych to zjednodušil do neužitečné metafory. Matematika je tu jen tam, kde se bez ní neobejdeme, a je označená.
Jak to číst
Pokud začínáš, jdi popořadě. Stránky na sebe navazují a každá staví na předchozí.
Pokud něco hledáš, koukni do slovníčku, kde jsou zkratky a pojmy na jednom místě.
Pokud si chceš jen zopakovat podstatné, sekce „Co si odnést" na konci hlubokých stránek jsou psané přesně na to.
Základy
Bez tohohle je zbytek jen sada receptů, které občas nefungují a ty nevíš proč.
- Co je umělá inteligence - definice, Turingův test, čínský pokoj a proč se obor třikrát otočil
- Stavový prostor - jak se úloha vůbec zadá stroji. Nejdůležitější stránka celé wiki.
Řešení úloh a prohledávání
- Neinformované prohledávání - DFS, BFS, UCS, IDS a proč rozhoduje paměť, ne čas
- Informované prohledávání - heuristika, A* a jediná podmínka, za které funguje
- Lokální prohledávání - hill climbing, simulované žíhání, beam search
- Dekompozice a AND/OR grafy - když se úloha místo prohledání rozloží
- Hry a herní strom - minimax, alfa-beta a proč Deep Blue neuměl nic nového
- Genetické algoritmy - evoluce jako optimalizace, a kdy je zbytečná
Inteligentní agenti
- Inteligentní agenti - PEAS, racionalita, šest os prostředí a šest struktur agentů
Rozpoznávání a klasifikace
Začni prvním odkazem, ten je mapou zbytku.
- Klasifikace a rozpoznávání - tři slova pro tři různé věci a rozhodovací pravidlo
- Příznakové metody - LBP, výběr příznaků, k-NN, rozhodovací stromy
- Bayesova klasifikace - apriorní pravděpodobnost a proč naivní Bayes funguje, i když nemá
- Strukturální rozpoznávání - objekt jako primitiva a vztahy, Freemanův kód, gramatiky
- Shlukování - k-means, hierarchické metody, DBSCAN
- Lineární regrese - jediná metoda tady s řešením v uzavřeném tvaru
- Metriky a vyhodnocení - proč je přesnost 99 % často k ničemu
Neuronové sítě
- Umělý neuron a perceptron - vážený součet, aktivační funkce a XOR, který zastavil obor
- Topologie a učení sítí - jaké druhy sítí existují a jak si vybrat
- MLP a backpropagation - jak se chyba rozdělí mezi skryté neurony
- Kohonenovy mapy - shlukování se zachováním topologie
- Konvoluční sítě - jak se ze 150 milionů vah stane pár set
- Rekurentní sítě a LSTM - paměť, mizející gradient a tři hradla
- Jazykové modely - co znakový LSTM doopravdy umí a čím to jen vypadá
Praxe
- Nástroje pro UI - Scikit-learn, NumPy, PyTorch, Keras, Conda, Colab a spočítaný příklad
- Slovníček - zkratky a pojmy na jednom místě
Psáno v roce 2026. Algoritmy se mění pomalu, knihovny rychle. Kde je něco vázané na konkrétní verzi nebo rok, je to u toho napsané.
Prohledávání
Rozpoznávání
Neuronové sítě
- Bayesova klasifikace Test na vzácnou nemoc má devadesátidevítiprocentní spolehlivost a tobě vyšel pozitivní. Kolik je pravděpodobnost, že jsi nemocný?
- Co je umělá inteligence Pokaždé, když se v umělé inteligenci něco povede, přestane se tomu říkat umělá inteligence. Čtení textu z naskenovaných obálek bylo v…
- Dekompozice a AND/OR grafy Hanojské věže s dvaceti kotouči mají řešení o 2^20 − 1, tedy zhruba milionu tahů. Zkus je najít prohledáváním a strávíš u toho zbytek…
- Genetické algoritmy Genetický algoritmus je nejpřeceňovanější metoda v celé umělé inteligenci. Zní totiž skvěle - evoluce, přežití nejsilnějšího, populace se…