# 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](Slovnicek), 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](Co-je-umela-inteligence)** - definice, Turingův test, čínský pokoj a proč se obor třikrát otočil
- **[Stavový prostor](Stavovy-prostor)** - jak se úloha vůbec zadá stroji. Nejdůležitější stránka celé wiki.

## Řešení úloh a prohledávání

- **[Neinformované prohledávání](Neinformovane-prohledavani)** - DFS, BFS, UCS, IDS a proč rozhoduje paměť, ne čas
- **[Informované prohledávání](Informovane-prohledavani)** - heuristika, A* a jediná podmínka, za které funguje
- **[Lokální prohledávání](Lokalni-prohledavani)** - hill climbing, simulované žíhání, beam search
- **[Dekompozice a AND/OR grafy](Dekompozice-a-AND-OR-grafy)** - když se úloha místo prohledání rozloží
- **[Hry a herní strom](Hry-a-herni-strom)** - minimax, alfa-beta a proč Deep Blue neuměl nic nového
- **[Genetické algoritmy](Geneticke-algoritmy)** - evoluce jako optimalizace, a kdy je zbytečná

## Inteligentní agenti

- **[Inteligentní agenti](Inteligentni-agenti)** - PEAS, racionalita, šest os prostředí a šest struktur agentů

## Rozpoznávání a klasifikace

Začni prvním odkazem, ten je mapou zbytku.

- **[Klasifikace a rozpoznávání](Klasifikace-a-rozpoznavani)** - tři slova pro tři různé věci a rozhodovací pravidlo
- **[Příznakové metody](Priznakove-metody)** - LBP, výběr příznaků, k-NN, rozhodovací stromy
- **[Bayesova klasifikace](Bayesova-klasifikace)** - apriorní pravděpodobnost a proč naivní Bayes funguje, i když nemá
- **[Strukturální rozpoznávání](Strukturalni-rozpoznavani)** - objekt jako primitiva a vztahy, Freemanův kód, gramatiky
- **[Shlukování](Shlukovani)** - k-means, hierarchické metody, DBSCAN
- **[Lineární regrese](Linearni-regrese)** - jediná metoda tady s řešením v uzavřeném tvaru
- **[Metriky a vyhodnocení](Metriky-a-vyhodnoceni)** - proč je přesnost 99 % často k ničemu

## Neuronové sítě

- **[Umělý neuron a perceptron](Neuron-a-perceptron)** - vážený součet, aktivační funkce a XOR, který zastavil obor
- **[Topologie a učení sítí](Topologie-a-uceni-siti)** - jaké druhy sítí existují a jak si vybrat
- **[MLP a backpropagation](MLP-a-backpropagation)** - jak se chyba rozdělí mezi skryté neurony
- **[Kohonenovy mapy](Kohonenovy-mapy)** - shlukování se zachováním topologie
- **[Konvoluční sítě](Konvolucni-site)** - jak se ze 150 milionů vah stane pár set
- **[Rekurentní sítě a LSTM](Rekurentni-site-a-LSTM)** - paměť, mizející gradient a tři hradla
- **[Jazykové modely](Jazykove-modely)** - co znakový LSTM doopravdy umí a čím to jen vypadá

## Praxe

- **[Nástroje pro UI](Nastroje-pro-UI)** - Scikit-learn, NumPy, PyTorch, Keras, Conda, Colab a spočítaný příklad
- **[Slovníček](Slovnicek)** - 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.*