Základy Pythonu pro AI (praktický průvodce krok za krokem)

Tato lekce je určena pro účastníky, kteří už rozumí principům AI a chtějí začít pracovat prakticky s Pythonem – nejpoužívanějším jazykem v oblasti umělé inteligence.

Cílem je projít celý proces:

instalace → práce s daty → trénování modelu → vyhodnocení → vlastní predikce

Bez zbytečné teorie, ale s maximálně srozumitelným a systematickým postupem.

🎯 Cíl lekce

Po absolvování budete:

umět nainstalovat potřebné nástroje,
pracovat s knihovnami pandas, numpy, matplotlib,
natrénovat jednoduchý model pomocí scikit-learn,
vyhodnotit jeho přesnost,
vytvořit vlastní predikci.

1️⃣ Instalace prostředí (krok za krokem)

Varianta A – Nejjednodušší: Anaconda

Stáhněte Anaconda Distribution (obsahuje Python i Jupyter Notebook).
Nainstalujte ji podle instrukcí.
Otevřete Anaconda Navigator.
Spusťte Jupyter Notebook nebo JupyterLab.

Hotovo – máte připravené prostředí.

Varianta B – Python + pip

Nainstalujte Python (min. verze 3.10).
Otevřete terminál / příkazový řádek.
Vytvořte virtuální prostředí:

python -m venv ai_env

Aktivujte prostředí:

Windows

ai_env\Scripts\activate

Mac/Linux

source ai_env/bin/activate

Nainstalujte knihovny:

pip install numpy pandas matplotlib scikit-learn jupyter

Spusťte Jupyter:

jupyter notebook

2️⃣ Základy Pythonu pro AI

Nejprve si zopakujeme základní konstrukce.

Proměnné

x = 10
name = "AI kurz"

Datové typy

int      # celé číslo
float    # desetinné číslo
str      # text
list     # seznam
dict     # slovník

Seznam

numbers = [1, 2, 3, 4]
print(numbers[0])

Smyčka

for number in numbers:
    print(number)

3️⃣ Práce s daty pomocí pandas

V AI pracujeme s daty – nejčastěji v tabulce.

Import knihovny

import pandas as pd

Načtení CSV souboru

data = pd.read_csv("data.csv")

Zobrazení prvních řádků

data.head()

Základní informace o datech

data.info()
data.describe()

4️⃣ Příprava dat pro model

AI model nemůže pracovat s textem nebo chybějícími hodnotami bez úpravy.

Odstranění chybějících hodnot

data = data.dropna()

Výběr vstupních a cílových dat

X = data[["feature1", "feature2"]]
y = data["target"]

X = vstupy
y = správné odpovědi

5️⃣ Rozdělení dat na trénovací a testovací

Model musí být testován na datech, která ještě neviděl.

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

80 % dat pro trénování
20 % pro testování

6️⃣ Vytvoření jednoduchého modelu

Použijeme logistickou regresi (klasifikace).

from sklearn.linear_model import LogisticRegression

model = LogisticRegression()
model.fit(X_train, y_train)

Co se zde děje?

Model analyzuje trénovací data.
Hledá optimální parametry.
Minimalizuje chybu.

7️⃣ Vyhodnocení modelu

Predikce

y_pred = model.predict(X_test)

Přesnost

from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_test, y_pred)
print("Přesnost:", accuracy)

8️⃣ Vytvoření vlastní predikce

new_data = [[5.1, 3.5]]
prediction = model.predict(new_data)
print("Výsledek:", prediction)

Model nyní rozhoduje na základě toho, co se naučil.

9️⃣ Vizualizace dat

import matplotlib.pyplot as plt

plt.scatter(data["feature1"], data["feature2"])
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()

Vizualizace pomáhá pochopit strukturu dat.

🔟 Jak funguje celý proces dohromady

Načteme data.
Vyčistíme data.
Rozdělíme data.
Natrénujeme model.
Otestujeme model.
Použijeme model pro predikci.

Toto je základní workflow každého AI projektu.

🧠 Nejčastější chyby začátečníků

trénování na testovacích datech,
ignorování kvality dat,
příliš malý dataset,
přeučení (overfitting),
špatná interpretace přesnosti.

📦 Doporučené knihovny pro další studium

scikit-learn – klasické ML algoritmy
TensorFlow – deep learning
PyTorch – výzkum a pokročilé modely
pandas – práce s daty
matplotlib – vizualizace

📝 Shrnutí lekce

V této lekci jste:

nastavili Python prostředí,
pracovali s daty,
vytvořili první model,
vyhodnotili jeho výkon,
vytvořili predikci.

Toto je základ, na kterém stojí většina moderních AI projektů.

Pokud máte zájem, můžeme připravit další lekce:

navazující lekci „Deep Learning v Pythonu krok za krokem“
kompletní praktický projekt s datasetem
nebo detailní výklad neuronových sítí s implementací v TensorFlow.