Anotace:
V kurzu projdete základy strojového učení – od jednoho neuronu až po generativní modely, velké jazykové modely (LLM) a jejich správu i nasazení. Ve druhém bloku se zaměříme na tvorbu AI agentů a automatizaci. Postavíte vlastního agenta i celou flotilu spolupracujících agentů, naučíte se efektivní prompt engineering a integraci přes API/SDK. Vše si vyzkoušíte na reálném projektu. Získáte pevné základy i inspiraci pro vlastní projekty. Výuka probíhá v jazyce Python. Pokud s ním nemáte zkušenosti, nevadí – základy si rychle osvojíte a hluboké znalosti nejsou potřeba. Kurz je vyvážený: přibližně 50 % teorie a 50 % praxe.
Předpoklady:
Základy programování v kterémkoliv jazyce. Zájem o dané téma.
Kdy:
18:00 - 20:30
Kde:
online
Počet lekcí:
10
Obsah modulu
1. Lekce
Strojové účení a Bayesovská statistika
Naučíme se, jak počítače dokáží předpovídat a rozhodovat bez předem daných instrukcí. Prozkoumáme jednoduchý, ale mocný Bayesův naivní klasifikátor, který nám umožní třídit data s neuvěřitelnou přesností.
2. Lekce
Rozhodovací stromy a optimalizace parametrů
Vstoupíme do světa rozhodovacích stromů, které nám pomohou dělat chytrá rozhodnutí na základě dat. Naučíme se, jak optimalizovat parametry modelů a dosáhnout tak nejlepších výsledků. Získáme schopnosti, které nás posunou na další úroveň v analýze dat a rozhodování.
3. Lekce
Vícevrstvý perceptron a hluboké učení
Ponoříme se do pokročilých technik hlubokého učení a vícevrstvých perceptronů. Objevíme, jak neuronové sítě mohou řešit složité problémy a přinášet revoluční inovace.
4. Lekce
Rozpoznání obrazu konvoluční sítí
Konvoluční neuronové sítě slouží pro aplikaci obrazového filtru na jiný obraz. Na modelu sekvenční konvoluční sítě bude vysvětlena podstata grafických filtrů. Jako příklad bude zvolena aplikace, která rozpozná, jaké objekty se nachází v obrázku.
5. Lekce
Datové posílení a pokročilé rozpoznání obrazu
Zlepšíme své schopnosti v oblasti rozpoznání obrazu pomocí technik datového posílení. Naučíme se, jak vytvářet modely, které dokáží identifikovat a klasifikovat objekty na obrázcích s vysokou přesností.
6. Lekce
Generativní sítě pro obraz
Podíváme se na gerativní architektury a objevíme, jak vytvářet nové a realistické obrazy pomocí generativních protivníkových sítí (GAN). Využijeme své kreativní schopnosti a naučíme se vytvářet umění, design a fotorealistické obrazy, které nikdy předtím neexistovaly.
7. Lekce
Predikce hodnot časové řady rekurentní sítí
Rekurentní neuronové sítě představují model neuronové sítě s pamětí. Na modelu rekurentní sítě s dlouhodobou krátkodobou pamětí (LSTM) bude vysvětlena podstata zpracování přirozeného jazyka. Jako příklad bude zvolena aplikace, která slouží pro detekci spamu.
8. Lekce
Zpracování přirozeného jazyka
Naučíme se, jak vytvořit chatbota, automatického překladatele nebo analyzovat sentiment na sociálních sítích.
9. Lekce
Učení bez učitele
Objevíme tajemství učení bez učitele, kde modely samy najdou struktury a vzory v datech.
10. Lekce
Nasazení a monitorování modelů
Získáme praktické dovednosti pro nasazení modelů strojového učení do reálného světa. Naučíme se, jak monitorovat jejich výkon a zajišťovat jejich správnou funkčnost.
Kdy:
dle termínu
Kde:
online
Počet lekcí:
7
Obsah modulu
1. lekce
Úvod a teorie
Vysvětlíme si rozdíl mezi klasickými jazykovými modely a agentním přístupem. Projdeme si základní architekturu agenta, princip rozhodovací smyčky (perception → reasoning → action) a koncept plánování a nástrojového použití (tool use). Ukážeme si i hlavní scénáře použití v praxi – od výzkumných asistentů po automatizaci systémů.
2. lekce
Vektorové databáze
Pochopíte, proč klasické databáze nestačí pro práci s významem textu a jak vektorové databáze umožňují sémantické vyhledávání. Naučíte se vytvářet embeddingy, indexovat je a provádět similarity search. Vyzkoušíte si práci s nástroji jako Chroma, Weaviate nebo FAISS a integraci do AI agentních systémů.
3. lekce
Model Context Protocol (MCP)
Seznámíte se se strukturou Model Context Protocolu, který definuje kontext, paměť, nástroje, akce a výstupy agenta. Ukážeme si, jak tento protokol zajišťuje interoperabilitu mezi různými komponentami agentního systému a jak ho můžete využít ve vlastních aplikacích pro udržení stavového kontextu během dlouhodobých úloh.
4. lekce
Workflow automatizace s n8n
Naučíte se, jak může agent ovlivňovat reálný svět pomocí volání služeb, skriptů a automatizačních toků v n8n. Propojíte AI rozhodování s REST API, databázemi nebo běžnými SaaS službami (Gmail, Google Sheets, Notion apod.). Výsledkem bude agent schopný samostatně vykonávat akce na základě interního rozhodování.
5. lekce
LangChain a LangGraph
Prozkoumáte, jak sestavovat agentní logiku pomocí LangChain – od jednoduchých chainů až po komplexní vícefázové rozhodování. Pomocí LangGraph vytvoříte stavové automaty, kde každý uzel může být krok agenta – dotaz, výpočet nebo rozhodnutí. Naučíte se kombinovat nástroje, paměť a uživatelské vstupy do uceleného toku.
6. lekce
Autogen
V této lekci půjdete ještě dál – ukážeme si, jak orchestrujete více agentů najednou pomocí Autogen. Agenti spolu komunikují, specializují se na různé úkoly (např. programátor, kontrolor, plánovač) a kooperují na komplexních problémech. Naučíte se navrhovat jejich role, cíle a omezující pravidla a sledovat jejich rozhodování.
7. lekce
Praktická ukázka
V závěrečném projektu spojíte vše dohromady: vytvoříte vlastního agenta, který má paměť, používá nástroje, komunikuje s okolím přes workflow a podle potřeby se dokáže rozhodnout nebo delegovat úkol jiným agentům. Vyzkoušíte si ladění, logování a evaluaci agentního chování v reálném scénáři (např. výzkumný asistent, reportovací agent nebo automatizovaný integrátor dat).
Kdy:
dle termínu
Kde:
online
Počet lekcí:
2
Obsah modulu
1. lekce
Jak se správně ptát
V této lekci se naučíte, jak správně formulovat prompty podle typu modelu a úlohy. Vyzkoušíte si rozdíly mezi dotazováním jazykových modelů (např. ChatGPT, Claude) a generativních modelů (např. DALL·E, Stable Diffusion). Zaměříme se na praktické techniky jako few-shot prompting, persona setup, ReAct pattern, a ukážeme si, kdy a proč je vhodné vést model krok za krokem (chain-of-thought prompting). Cílem je naučit se dostat z modelu co nejlepší výstup při co nejmenším počtu pokusů.
2. lekce
Propojení s AI pomocí SDK a API
V druhé lekci si ukážeme, jak integrovat umělou inteligenci do vlastních aplikací pomocí dostupných SDK a rozhraní API. Naučíte se pracovat s nástroji jako OpenAI API, Hugging Face Transformers, Replicate nebo Stability SDK pro generování obrázků. Ukážeme si, jak z promptu vytvořit backendový dotaz, jak nastavit parametry modelu a jak zpracovávat odpovědi. Lekce bude praktická, se zaměřením na kód v Pythonu a reálné scénáře využití ve webových nebo datových aplikacích.
DALŠÍ VARIANTY KURZU
Seznam termínů
Kdy: |
Kde: |
Cena: |
|
|---|---|---|---|
|
21. 02. - 08. 03. 2026 9:30 - 18:00 Výuka probíhá vždy tři víkendy po sobě (sobota a neděle od 9:30 do 18:00) |
37 900 Kč s DPH | Přihlásit | |
|
21. 03. - 05. 04. 2026 9:30 - 18:00 Výuka probíhá vždy tři víkendy po sobě (sobota a neděle od 9:30 do 18:00) |
37 900 Kč s DPH | Přihlásit | |
|
25. 04. - 10. 05. 2026 9:30 - 18:00 Výuka probíhá vždy tři víkendy po sobě (sobota a neděle od 9:30 do 18:00) |
37 900 Kč s DPH | Přihlásit |
Nevyhovuje ti termín?
Dej nám na sebe kontakt a my ti dáme vědět hned, jak vypíšeme nový, nebo ho uspořádáme přímo pro tebe.
Lektoři:
Pavel Beránek
Garant kvality, lektor Pythonu a umělé inteligence
Pavel má za sebou pestré zkušenosti z mnoha odvětví. Pavel vystudoval dva VŠ obory: Počítačové modelování a pedagogiku. Po studiu pracoval jako programátor a vědecký pracovník Akademie věd. V současnosti se plně věnuje pedagogické činnosti. Vedle kurzů pro nás učí programování na vysoké i střední škole.
Zdeněk Vais
Zakladatel Bee IT & Software architekt
Zdeněk programuje už od střední školy. Od té doby si prošel cestou od programátora přes team leadera až k architektovi. Za tuto dobu vyvíjel velké finanční systémy, věděcké aplikace nebo například IoT řešení pro letadla. V součastnosti pracuje jako senior principal software engineer ve společnosti Oracle, kde staví cloud pro mediální služby.
Oldřich Grulich
Lektor umělé inteligence
Olda v IT působí přes 20. Za svoji kariéru zastával vysoké manažerské pozice ve společnostech jako je IBM, InfoSys nebo Solitea.
V roce 2024 Olda založil AI startup Grove tech AI specializující se na řešení umělé inteligence na míru jako jsou inteligentní asistenti, avataři nebo znalostní databáze.