← Zpět na obsah

** Kapitola pro maturitní obory

Kapitola 6.1**: Statistické zpracování dat a umělá inteligence

Co se naučíš: V této kapitole se seznámíš se základy statistického zpracování dat, strojovým učením a umělou inteligencí. Pochopíš, jak AI funguje, jaké má přínosy a jaká rizika přináší.

1. Statistické zpracování dat

Statistika nám pomáhá porozumět datům a dělat na jejich základě rozhodnutí.

Základní statistické pojmy

Příklad: Známky ze zkoušky: 1, 2, 2, 3, 2, 4, 1, 2, 3, 5
Průměr: (1+2+2+3+2+4+1+2+3+5) / 10 = 2,5
Medián: 2 (prostřední hodnota po seřazení)
Modus: 2 (vyskytuje se 4×)

Vizualizace dat

2. Co je umělá inteligence?

Umělá inteligence (AI) je schopnost počítačových systémů vykonávat úkoly, které normálně vyžadují lidskou inteligenci.

Typy AI:

Strojové učení (Machine Learning)

Strojové učení je podoblast AI, kde se systémy "učí" z dat místo toho, aby byly explicitně naprogramovány.

Typy strojového učení

UML diagramy - standardní notace pro modelování
UML diagramy - standardní notace pro modelování

Jak funguje strojové učení?

  1. Sběr dat: Potřebujeme velké množství kvalitních dat.
  2. Příprava dat: Čištění, transformace, rozdělení na trénovací a testovací.
  3. Trénování modelu: Algoritmus hledá vzory v trénovacích datech.
  4. Evaluace: Testování na nových datech, měření přesnosti.
  5. Nasazení: Použití modelu v praxi.

3. Příklady použití AI

4. Limity a rizika AI

⚠️ Důležité – AI má své limity!

Etické otázky

Sekvenční diagram - komunikace mezi objekty
Sekvenční diagram - komunikace mezi objekty

Člověk a digitální svět

Umělá inteligence mění svět kolem nás. Je důležité rozumět tomu, jak funguje, abychom ji mohli používat zodpovědně a kriticky hodnotit její výstupy. AI je nástroj – záleží na nás, jak ho použijeme.

Use case diagram - případy užití systému
Use case diagram - případy užití systému

** Úkoly pro maturitní obory

  1. Excel – Statistická analýza: Stáhni dataset (např. z Kaggle). Vypočítej: průměr, medián, modus, směrodatnou odchylku. Vytvoř 3 různé typy grafů. Napiš krátkou analýzu (co data ukazují).
  2. PowerPoint – Prezentace o AI: Vytvoř prezentaci "Umělá inteligence kolem nás" (12-15 snímků). Zahrň: co je AI, typy, příklady, přínosy, rizika, budoucnost.
  3. Word – Etická analýza: Napiš esej "Etické otázky umělé inteligence" (2-3 strany). Vyber si jedno téma (bias, soukromí, práce) a rozeber ho z různých úhlů pohledu.
  4. Canva – Infografika: Vytvoř v Canvě infografiku "Jak funguje strojové učení" pro laiky. Použij jednoduché ikony a krátké texty. Vysvětli 5 kroků procesu.
  5. Praktické vyzkoušení AI: Vyzkoušej různé AI nástroje: ChatGPT (text), DALL-E nebo Midjourney (obrázky), DeepL (překlad). Napiš recenzi: co umí, co ne, kde dělá chyby.
  6. Excel – Korelace: Vytvoř tabulku s dvěma proměnnými (např. hodiny studia vs známka). Vypočítej korelaci pomocí =CORREL(). Vytvoř bodový graf. Vyvoď závěry.

*** Rozšíření pro IT obory

Jako budoucí IT specialista musíš rozumět statistice a základům strojového učení na teoretické úrovni. Tato kapitola rozšiřuje pochopení bez programování.

Statistické pojmy pro IT

Pojem Definice Použití v IT
Průměr (Mean) Součet hodnot / počet hodnot Průměrná doba odezvy serveru
Medián Prostřední hodnota seřazených dat Odolnější vůči outlierům
Směrodatná odchylka Míra rozptylu dat od průměru Stabilita výkonu systému
Percentil Hodnota, pod kterou je X% dat P99 latence (99% požadavků rychlejších)
Korelace Síla vztahu mezi dvěma proměnnými Vztah mezi zatížením a odezvou

Typy dat v machine learning

Typ dat Popis Příklady
Numerická spojitá Libovolná čísla v rozsahu Teplota, cena, věk
Numerická diskrétní Celá čísla, počty Počet dětí, počet kliknutí
Kategorická nominální Kategorie bez pořadí Barva, město, pohlaví
Kategorická ordinální Kategorie s pořadím Vzdělání, hodnocení (1-5)

Proces strojového učení

Typický workflow ML projektu:

  1. Sběr dat: Získání relevantních dat (databáze, API, scraping).
  2. Čištění dat: Odstranění chybějících hodnot, outlierů, duplicit.
  3. Explorační analýza (EDA): Vizualizace, statistiky, hledání vzorů.
  4. Feature engineering: Vytvoření nových proměnných, transformace.
  5. Rozdělení dat: Train (70-80%) / Validation (10-15%) / Test (10-15%).
  6. Trénování modelu: Výběr algoritmu, učení na trénovacích datech.
  7. Evaluace: Měření přesnosti na testovacích datech.
  8. Nasazení: Použití modelu v produkci.

Metriky hodnocení ML modelů

Pro klasifikaci (např. spam/ne-spam)

Metrika Vzorec Kdy použít
Accuracy Správné / Celkem Vyvážené třídy
Precision TP / (TP + FP) Minimalizace falešných poplachů
Recall TP / (TP + FN) Nesmíme přehlédnout (např. nemoc)
F1-score 2 × (P × R) / (P + R) Vyvážení precision a recall

TP = True Positive, FP = False Positive, FN = False Negative

Běžné algoritmy ML

Algoritmus Typ Použití
Lineární regrese Supervised, regrese Předpověď cen, trendů
Logistická regrese Supervised, klasifikace Ano/Ne rozhodnutí
Rozhodovací strom Supervised Interpretovatelná rozhodnutí
Random Forest Supervised Robustní klasifikace
K-means Unsupervised Segmentace zákazníků
Neuronové sítě Deep Learning Obrazy, text, komplexní vzory

*** Úkoly pro IT obory

  1. Confusion Matrix: Model klasifikuje e-maily. Z 100 e-mailů: 40 TP, 5 FP, 10 FN, 45 TN. Vypočítej accuracy, precision, recall, F1-score.
  2. Typy dat: Pro dataset e-shopu (zákazníci, produkty, objednávky) urči typ každé proměnné: jméno, věk, město, celková útrata, počet objednávek, preferovaná kategorie.
  3. ML workflow: Vyber si problém (např. predikce ceny domu) a popiš, jak bys postupoval v každé fázi ML workflow.
  4. Algoritmy: Pro každý případ vyber vhodný algoritmus: a) predikce ceny akcií, b) rozpoznání rukou psaných číslic, c) seskupení zákazníků podle chování.
  5. Bias v AI: Najdi reálný příklad, kdy AI systém vykazoval bias (předpojatost). Popiš: co se stalo, proč, jak se to dalo předejít.
← Zpět na obsah