Osnova série Základy AI: od základov po jazykové modely a agentov

Mapa všetkých článkov série — matematika, hľadanie, strojové učenie, spracovanie signálu, neurónové siete, LSTM, transformery, generatívne modely a AI agenti.

8 minút Matěj Žalmánek 2026-10-15

Toto je plán celej série Základy AI: všetko, čo chceme vysvetliť, zoradené od základov po detaily. Hotové články sú odkazy, ostatné postupne dopisujeme. Osnova je mapa, nie povinná trasa — každý článok sa dá čítať samostatne a na jeho začiatku nájdete, čo je dobré vedieť vopred.

Moduly na seba nadväzujú tak, ako ukazuje graf. Najprv mapa a matematika, potom dve veľké rodiny AI — tá, ktorá hľadá, a tá, ktorá sa učí. Zo strojového učenia a spracovania signálu vyrastú neurónové siete, z nich jazykové modely a generatívna AI, a všetko sa nakoniec stretne v AI agentoch. Číslo pod názvom modulu ukazuje, koľko jeho článkov už vyšlo.

• základy bez predchádzajúcich znalostí
• pokročilé stavia na základoch z predchádzajúcich modulov
• do hĺbky pre tých, ktorí chcú vedieť, ako to funguje vnútri

1. Úvod a mapa

Kde začať: čo je umelá inteligencia, odkiaľ sa vzala a základný slovník.

1. 1.1
   Mapa umelej inteligencie Čo je AI, strojové učenie, hlboké učenie a jazykové modely a ako do seba zapadajú.
   základy
2. 1.2
   Stručná história AI Od Turingovho testu cez zimy umelej inteligencie po jazykové modely.
   základy
3. 1.3
   Dáta, model, tréning, inferencia Základné pojmy, bez ktorých sa vo zvyšku série nezaobídete.
   základy

2. Matematické základy

Najprv jazyk matematiky — zápis, množiny, relácie, funkcie, logika a grafy —, s ktorým prečítate každú definíciu v sérii. Potom len toľko matematiky, koľko je potrebné, vždy s príkladom z AI. Gradientný zostup je srdcom takmer všetkého, čo sa učí.

1. 2.1
   Ako čítať matematický zápis Symboly, indexy, sumy a kvantifikátory — slovníček, s ktorým prečítate každú definíciu v sérii.
   základy
2. 2.2
   Množiny a relácie Prvky, podmnožiny, karteziánsky súčin a relácie — z nich sa skladajú stavy, dáta aj grafy.
   základy
3. 2.3
   Funkcie a zobrazenia Definičný obor, obor hodnôt a skladanie — čo presne znamená zápis f : X → Y.
   základy
4. 2.4
   Logika a dôkazy Spojky, implikácia, kvantifikátory ∀ a ∃ a ako funguje matematický dôkaz.
   základy
5. 2.5
   Grafy a stromy Vrcholy, hrany, cesty a stromy — štruktúra, na ktorej stojí hľadanie aj neurónové siete.
   základy
6. 2.6
   Lineárna algebra pre strojové učenie Vektory, matice a skalárny súčin — jazyk, ktorým hovorí každý model.
   základy
7. 2.7
   Derivácia, gradient a reťazové pravidlo Ako zistiť, ktorým smerom otočiť gombíky modelu.
   základy
8. 2.8
   Gradientný zostup: ako sa model učí Gradientný zostup, SGD, momentum a Adam s animáciou po chybovej krajine.
   pokročilé

3. Pravdepodobnosť a štatistika

Strojové učenie je z veľkej časti štatistika. Od presnej definície pravdepodobnosti cez náhodné veličiny, distribučnú funkciu a hustotu k rozdeleniam, odhadom a entropii.

1. 3.1
   Čo je pravdepodobnosť Náhodný pokus, javy a Kolmogorovove axiómy — presná definícia namiesto „pomeru priaznivých prípadov“.
   základy
2. 3.2
   Podmienená pravdepodobnosť a Bayesova veta Ako zmeniť odhad, keď sa dozviete niečo nové — základ spamových filtrov aj lekárskej diagnostiky.
   základy
3. 3.3
   Náhodná veličina a distribučná funkcia Diskrétne a spojité veličiny a funkcia, ktorá o rozdelení každej z nich povie všetko.
   základy
4. 3.4
   Funkcia hustoty a pravdepodobnostná funkcia Prečo má spojitá veličina v jednom bode pravdepodobnosť nula — a čo namiesto toho ukazuje hustota.
   pokročilé
5. 3.5
   Stredná hodnota, rozptyl a kovariancia Kde rozdelenie leží, aké je široké a ako spolu dve veličiny súvisia.
   základy
6. 3.6
   Prehľad pravdepodobnostných rozdelení Bernoulliho, binomické, Poissonovo, rovnomerné, normálne a exponenciálne — kedy ktoré použiť.
   základy
7. 3.7
   Zákon veľkých čísel a centrálna limitná veta Prečo sa priemery správajú tak predvídateľne a prečo je normálne rozdelenie všade.
   pokročilé
8. 3.8
   Štatistika a odhady parametrov Výber, odhad, metóda maximálnej vierohodnosti a intervaly spoľahlivosti.
   pokročilé
9. 3.9
   Teória informácie Entropia, krížová entropia a KL divergencia — odkiaľ sa berú stratové funkcie.
   pokročilé

4. Klasická AI: hľadanie, hry a logika

AI, ktorá sa nič neučí, ale premýšľa: prehľadáva možnosti, prepočítava ťahy a odvodzuje z pravidiel.

1. 4.1
   Prehľadávanie stavového priestoru BFS, DFS, UCS, pažravé hľadanie a A* na jednom bludisku.
   základy
2. 4.2
   Hry a protivník Minimax, alfa-beta orezávanie a Monte Carlo tree search.
   pokročilé
3. 4.3
   Splňovanie obmedzujúcich podmienok Sudoku, rozvrhy a backtracking s propagáciou obmedzení.
   pokročilé
4. 4.4
   Logika a znalostné systémy Znalosti zapísané pravidlami, automatické odvodzovanie a expertné systémy.
   pokročilé
5. 4.5
   Plánovanie Ako AI skladá postupnosť akcií k cieľu — od STRIPS po dnešných agentov.
   pokročilé

5. Algoritmy inšpirované prírodou

Keď je možností toľko, že sa nedajú prejsť, pomôže odpozerať to od prírody: evolúcia, mravce, kŕdle vtákov aj chladnúci kov.

1. 5.1
   Lokálne hľadanie a simulované žíhanie Horolezec, ktorý uviazne na kopci — a ako mu pomôže fyzika chladnúceho kovu.
   základy
2. 5.2
   Genetické algoritmy Populácia riešení, kríženie, mutácia a prirodzený výber v kóde.
   základy
3. 5.3
   Evolučné stratégie a genetické programovanie Evolúcia číselných parametrov aj celých programov.
   pokročilé
4. 5.4
   Optimalizácia mravčou kolóniou Ako feromónové stopy nájdu krátku cestu — aj pre problém obchodného cestujúceho.
   pokročilé
5. 5.5
   Optimalizácia rojom častíc Roj, ktorý zdieľa najlepšie nájdené miesto, a prečo to funguje.
   pokročilé
6. 5.6
   Neuroevolúcia Evolúcia váh aj architektúry neurónových sietí — NEAT a jeho nasledovníci.
   do hĺbky

6. Fuzzy logika a fuzzy systémy

Svet nie je čiernobiely a fuzzy logika s tým počíta: namiesto „áno, alebo nie“ hovorí „do akej miery“. Z pravidiel, ktorým rozumie človek, stavia regulátory a modely.

1. 6.1
   Fuzzy množiny a funkcie príslušnosti Keď prvok do množiny nepatrí ani celý, ani vôbec — ako zapísať „trochu teplo“.
   základy
2. 6.2
   Fuzzy logika a pravdepodobnosť Prečo „je trochu teplo“ neznamená to isté čo „je pravdepodobne teplo“.
   základy
3. 6.3
   Fuzzy logika: operácie a pravidlá Fuzzy prienik a zjednotenie, t-normy a pravidlá typu AK–TAK.
   pokročilé
4. 6.4
   Fuzzy riadenie: Mamdani a Sugeno Fuzzifikácia, odvodzovanie a defuzzifikácia — ako fuzzy regulátor riadi práčku alebo klimatizáciu.
   pokročilé
5. 6.5
   Fuzzy zhlukovanie Algoritmus fuzzy c-means: bod môže patriť do viacerých zhlukov naraz.
   pokročilé
6. 6.6
   Neuro-fuzzy systémy (ANFIS) Fuzzy pravidlá, ktorých parametre sa učia ako neurónová sieť.
   do hĺbky

7. Pravdepodobnostné modely a sekvencie

Ako počítať s neistotou a s tým, čo sa deje v čase — od Markovových reťazcov po Kalmanov filter.

1. 7.1
   Markovove reťazce Náhodné procesy bez pamäti, prechodová matica a stacionárne rozdelenie.
   pokročilé
2. 7.2
   Skryté Markovove modely Čo sa deje, keď stav nevidíme — a Viterbiho algoritmus.
   pokročilé
3. 7.3
   Bayesovské siete Graf závislostí medzi náhodnými veličinami a odvodzovanie z neho.
   pokročilé
4. 7.4
   Kalmanov filter Odhad skutočného stavu zo zašumených meraní, krok za krokom.
   do hĺbky

8. Strojové učenie

Všeobecný rámec: aké druhy učenia existujú, prečo model zlyhá na nových dátach a ako spoznať, že sa naučil dobre.

1. 8.1
   Druhy strojového učenia S učiteľom, bez učiteľa, s čiastočným učiteľom, samoučenie a učenie posilňovaním.
   základy
2. 8.2
   Preučenie a regularizácia Prečo model, ktorý pozná trénovacie dáta naspamäť, zlyhá — a čo s tým.
   pokročilé pripravujeme
3. 8.3
   Vyhodnotenie modelu Trénovacie a testovacie dáta, krížová validácia, presnosť, F1 a ROC.
   pokročilé pripravujeme
4. 8.4
   Zhlukovanie a zníženie dimenzie k-means, PCA a t-SNE — ako uvidieť štruktúru v stovkách rozmerov.
   pokročilé pripravujeme

9. Klasifikácia a regresia

Dve najčastejšie úlohy strojového učenia — do ktorej škatuľky to patrí a koľko to bude — a modely, ktoré ich riešia: od priamky cez stromy po SVM.

1. 9.1
   Klasifikácia a regresia: dve úlohy učenia s učiteľom Kedy model odpovedá triedou a kedy číslom — a ako sa podľa toho meria chyba.
   základy pripravujeme
2. 9.2
   Lineárna regresia Metóda najmenších štvorcov geometricky aj maticovo a čo znamená R².
   základy pripravujeme
3. 9.3
   Polynomiálna a nelineárna regresia Ako priamku ohnúť — a prečo príliš ohnutá krivka predpovedá horšie.
   pokročilé pripravujeme
4. 9.4
   Logistická regresia Klasifikácia sigmoidou, rozhodovacia hranica a krížová entropia.
   základy pripravujeme
5. 9.5
   Viactriedna klasifikácia a softmax Od dvoch tried k mnohým: jeden proti všetkým a funkcia softmax.
   pokročilé pripravujeme
6. 9.6
   Naivný Bayesov klasifikátor Bayesova veta v praxi: rýchly klasifikátor textu, ktorý funguje lepšie, než by mal.
   pokročilé pripravujeme
7. 9.7
   Stratové funkcie MSE, MAE, Huberova strata, krížová entropia a hinge — čo presne model minimalizuje.
   pokročilé pripravujeme
8. 9.8
   Rozhodovacie stromy a k najbližších susedov Dva modely, ktoré sa dajú vysvetliť aj bez vzorcov.
   pokročilé pripravujeme
9. 9.9
   Ansámble: náhodný les a gradient boosting Prečo sto slabých modelov porazí jeden silný.
   pokročilé pripravujeme
10. 9.10
    SVM a jadrový trik Najširšia možná hranica medzi triedami a ako ju ohnúť.
    do hĺbky pripravujeme

10. Spracovanie signálu

Zvuk, obraz a merania sú signály. Skôr než ich dostane model, treba ich previesť na čísla — a konvolúcia odtiaľto prejde rovno do neurónových sietí.

1. 10.1
   Signál a vzorkovanie Čo je signál, ako ho previesť na čísla a prečo platí Nyquistova teoréma.
   základy pripravujeme
2. 10.2
   Fourierova transformácia Rozklad signálu na frekvencie a čo nám prezradí spektrum.
   pokročilé pripravujeme
3. 10.3
   Filtre a konvolúcia Vyhladenie, zvýraznenie hrán a odstránenie šumu — a prečo je konvolúcia všade.
   pokročilé pripravujeme
4. 10.4
   Zvuk a reč Spektrogram, melová škála a MFCC — ako sa zvuk pripravuje pre model.
   do hĺbky pripravujeme
5. 10.5
   Obraz ako signál Pixely, farby, 2D konvolúcia a detekcia hrán.
   pokročilé pripravujeme

11. Neurónové siete a hlboké učenie

Od jedného neurónu po siete na obrázky a sekvencie — vrátane rekurentných sietí, LSTM a GRU.

1. 11.1
   Perceptrón a umelý neurón Najjednoduchšia neurónová sieť a čo nedokáže.
   základy pripravujeme
2. 11.2
   Neurónová sieť od nuly Viacvrstvová sieť a spätné šírenie chyby, ručne a krok za krokom.
   pokročilé pripravujeme
3. 11.3
   Aktivácie, inicializácia a normalizácia Drobnosti, od ktorých závisí, či sa hlboká sieť vôbec naučí.
   pokročilé pripravujeme
4. 11.4
   Konvolučné siete (CNN) Ako sieť rozpoznáva obrázky — vrstvu po vrstve.
   pokročilé pripravujeme
5. 11.5
   Rekurentné siete (RNN) Siete s pamäťou pre sekvencie a problém miznúceho gradientu.
   pokročilé pripravujeme
6. 11.6
   LSTM a GRU Brány, ktoré rozhodujú, čo si sieť zapamätá a čo zabudne.
   do hĺbky pripravujeme
7. 11.7
   Autoenkodéry a reprezentácie Sieť, ktorá sa učí dáta skomprimovať a znova rozbaliť.
   pokročilé pripravujeme
8. 11.8
   Embeddingy a word2vec Ako sa zo slova stane vektor, s ktorým sa dá počítať.
   pokročilé pripravujeme

12. Transformery a jazykové modely

Pozornosť, transformer a všetko, čo z jazykového modelu robí asistenta.

1. 12.1
   Mechanizmus pozornosti Ako sa model naučí, na čo sa v texte pozerať.
   pokročilé pripravujeme
2. 12.2
   Transformery a veľké jazykové modely Architektúra transformera krok za krokom a ako z nej vznikne LLM.
   do hĺbky pripravujeme
3. 12.3
   Tokenizácia Ako sa text rozseká na kúsky, s ktorými model pracuje.
   pokročilé pripravujeme
4. 12.4
   Predtrénovanie a škálovanie Prečo väčší model a viac dát funguje — a kde to prestáva platiť.
   do hĺbky pripravujeme
5. 12.5
   Doladenie a RLHF Ako sa z modelu, ktorý dopĺňa text, stane asistent.
   do hĺbky pripravujeme
6. 12.6
   Prompty, kontext a RAG Ako dať modelu správne informácie v správnej chvíli.
   pokročilé

13. Generatívne modely

Modely, ktoré dáta netriedia, ale vytvárajú — obrázky, zvuk aj nové molekuly.

1. 13.1
   Variačné autoenkodéry (VAE) Generovanie nových dát zo spojitého latentného priestoru.
   do hĺbky
2. 13.2
   Generatívne adversariálne siete (GAN) Dve siete, ktoré sa navzájom prekabaťujú.
   do hĺbky
3. 13.3
   Difúzne modely Ako sa z čistého šumu postupne stane obrázok.
   do hĺbky

14. Učenie posilňovaním

Ako sa naučiť konať len z odmien a trestov — od Bellmanových rovníc po algoritmus za RLHF.

1. 14.1
   Markovove rozhodovacie procesy Stavy, akcie, odmeny a Bellmanove rovnice.
   pokročilé
2. 14.2
   Q-learning a DQN Učenie hodnoty akcií — od tabuľky po hlbokú sieť.
   pokročilé
3. 14.3
   Policy gradient a PPO Učenie priamo politiky — algoritmus, ktorý stojí aj za RLHF.
   do hĺbky

15. AI agenti v praxi

Kde sa všetko stretne: jazykový model, ktorý plánuje, používa nástroje a pracuje za vás.

1. 15.1
   Ako funguje AI agent Jazykový model v slučke: nástroje, plánovanie a pamäť.
   pokročilé
2. 15.2
   Programovanie s AI agentmi Ako agentovi zadávať prácu, kontrolovať ju a nestratiť nad ňou prehľad.
   základy
3. 15.3
   Vyhodnotenie a bezpečnosť AI systémov Ako merať, čo AI dokáže, a ako zabrániť, aby robila, čo nemá.
   pokročilé

Chýba vám v osnove niečo, čo by ste chceli vysvetliť? Napíšte nám — poradie ďalších článkov sa riadi aj tým, o čo je záujem.

Máte na to iný názor? Napíšte na support@coden-app.com.