23. 10. 2025 Jak učit modely chytře – generalizace, data a bias

Proč může AI selhat?

Například model, který rozpoznává tváře, se naučil spolehlivě rozpoznávat muže, ale ženy často přehlíží, protože měl ve tréninku převahu mužských obličejů.

• Zkoumáme, že chytré modely neznamenají jen „pamatovat si“ data, ale chápat vzory.
• Zkoušeli jsme jednoduché i složité modely, sledovali overfitting a testovali, jak regularizace a správná volba dat zlepšují spolehlivost.
• Diskutovali jsme, jak bias a nevyvážená data mohou ovlivnit výsledky AI.

Hlavní cíl:

Zajistit fungování modelu i na nových datech a minimalizovat předpojatost.

  

15. 10 2025  Lineární regrese

Vyzkoušeli, jak počítač dokáže „odhadnout“ číslo na základě dat z minulosti. Ukázali jsme si to na příkladu cen domů – zadali jsme údaje jako velikost bytu, příjem lidí v oblasti nebo polohu na mapě a počítač se pomocí tzv. regrese naučil najít vzorec, podle kterého cenu předpovídá.

Co jsme dělali prakticky:

• zkoušeli jsme, jak model „kreslí“ nejlepší možnou přímku mezi body v grafu,

• počítali jsme, jak moc se jeho odhad liší od skutečnosti,

• porovnávali jsme různé vstupní proměnné (např. jen plocha vs. více faktorů),

• pracovali jsme s reálným datasetem z Kalifornie.

Co jsme si odnesli:

• Čím víc relevantních údajů model má, tím lépe dokáže předpovídat.

• Každý model se trochu mýlí — důležité je znát, jak moc.

• I jednoduché matematické nástroje mohou být silným pomocníkem při rozhodování.

  

1. 10. 2025 Klasifikace - rozpoznávání kategorií

Jde o metodu strojového učení, která umí rozpoznávat kategorie a rozhodovat, do které třídy nový objekt patří. 'Odpovídá na otázky typu ano/ne nebo která z možností platí. S klasifikací se setkáváme každý den – při filtrování spamu v e-mailech, doporučování filmů nebo třeba v medicínské diagnostice.

Tréninkový příklad: známý dataset o pasažérech Titanicu. Na základě údajů o věku, pohlaví a lodní třídě jsme odhadovali, zda cestující přežil. Vytvořili jsme první klasifikační model pomocí rozhodovacího stromu: ptá se na jednoduché otázky („Je cestující žena?“ „Byl ve 3. třídě?“) a na jejich základě rozhoduje. Model dosáhl přesnosti kolem 75 %.

Zjištění: samotná přesnost (accuracy) nestačí – model může být nepřesný v menších, ale důležitých skupinách. Proto jsme se naučili používat další nástroje: Confusion matrix, Precision a recall, Precision-recall křivku.

Kromě rozhodovacích stromů jsme vyzkoušeli i další algoritmy: Logistická regrese, KNN a Naivní Bayes.

Na jiných datech (např. slavném Iris datasetu) jsme porovnali výsledky jednotlivých modelů a viděli, že univerzálně nejlepší algoritmus neexistuje. Každý má jiné silné a slabé stránky.

Úkol:  vytvořit vlastní klasifikační model – například s využitím dat o tučňácích nebo víně. Zkusili jsme tak nejen práci s různými algoritmy, ale i ladění parametrů a porovnávání výsledků.

Co jsme si odnesli:

• Klasifikace je základní úloha strojového učení s obrovským využitím v praxi.
• Různé modely přinášejí různé výsledky – neexistuje „jeden nejlepší“.
• Při hodnocení modelů je důležité dívat se nejen na přesnost, ale i na to, kde a proč model chybuje.

  

25. 9. 2025 Seznámení s datasety – co jsou, typy dat a jejich význam ve strojovém učení.

• Práce s konkrétními datasety – Titanic (cestující), Iris (kosatce), MNIST (ručně psané číslice); zkoumání atributů a základní analýza.

• Programování v Pythonu/Colab – otevírání datasetů, zjišťování počtu řádků/sloupců, chybějících hodnot a popisné statistiky.

• Vizualizace dat – histogramy, countploty, scatterploty, boxploty; objevování souvislostí mezi proměnnými např.  graf ukázal, že ženy na Titanicu měly vyšší šanci na přežití než muži! Tedy souvistlost: vliv třídy, pohlaví a cena lístku na přežití.

• Samostatné úkoly a kreativní práce – tvorba vlastních grafů, analýza dalších datasetů.

• Závěr – data nejsou jen čísla, vizualizace odhaluje důležité souvislosti a pomáhá při predikcích.

  

18. 9. 2025 Co si představíš pod pojmem Strojové učení?

Na prvním setkání jsme se seznámili s projekty FIT VUT, jako jsou BEEON, 3D mapování, ARTABLE nebo aplikace SUPER LECTURES. Diskutovali jsme i o tématech z praxe – například jak funguje DDoS kybernetický útok, jak využít LiDAR ke skenování vnitřních prostor nebo jak se strojové učení uplatňuje v řečových technologiích – od detekce jazyka, přes přepis komunikace až po hledání hlasu konkrétní osoby. Zmínili jsme i firmu Phonexia s. r.o. , která řečové technologie vyvíjí pro call centra. Nechyběla ani praktická část věnovaná programování robotů. Dozvěděli se také, co je to neurální síť – model, který pomocí nastavení vah rozhoduje, co je nejblíže hledanému výsledku.

Studenti popsali strojové učení jako:

• chytrou databázi a program, který se učí z daných dat,

• nástroj pro rozpoznávání vzorů, posloupností a šablon v datech,

• součást umělé inteligence zaměřenou na hledání podobností a vzorců.

Kde vidíme možnosti, kde lze ML využít?

• doporučování hudby na Spotify,

• detekce srdečních chorob z EKG,

• rozpoznávání stylu psaní,

• analýza dopravních situací a další.

Potom jsme si vyzkoušeli, co je to model a jeho parametry, které je potřeba najít, aby dobře popisovala měřená data.

Ŕeč byla také o:

• lineární regresi
• rozhodovacích stromech
• redukci dat
• Baysovském klasifikátoru.