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.
Základy programování v kterémkoliv jazyce. Zájem o dané téma.
Kurz je určen vývojářům, datovým analytikům i vědcům, kteří chtějí ve své profesi začít využívat umělou inteligenci a strojové učení – od prvních modelů až po vlastní AI agenty.
Chtějí stavět autonomní agenty s pamětí, nástroji a daty místo izolovaných chatbotů.
Chtějí začít využívat AI a strojové učení v analýze dat – od predikcí po generativní modely.
Chtějí ovládnout provoz LLM, fine-tuning a nasazování modelů na NVIDIA stacku.
Chtějí uplatnit neuronové sítě a strojové učení ve výzkumu – při zpracování dat, modelování a predikcích.
Kurz probíhá intenzivní víkendovou formou a je rozdělen do tří po sobě jdoucích víkendů. Výuka je rozdělena do bloků po 3 hodinách:
Srozumitelný úvod a živé ukázky lektora.
Samostatná práce a řešení reálných úloh.
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.
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.
Ponoříme se do pokročilých technik hlubokého učení a vícevrstvých perceptronů. Objevíme, jak neuronové sítě mohou řešit složité problémy a přinášet revoluční inovace.
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.
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.
Podíváme se na generativní architektury a objevíme, jak vytvářet nové a realistické obrazy pomocí generativních protivníkových sítí (GAN). Naučíme se vytvářet umění, design a fotorealistické obrazy, které nikdy předtím neexistovaly.
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 pro detekci spamu.
Naučíme se, jak vytvořit chatbota, automatického překladatele nebo analyzovat sentiment na sociálních sítích.
Objevíme tajemství učení bez učitele, kde modely samy najdou struktury a vzory v datech.
Získáme praktické dovednosti pro nasazení modelů strojového učení do reálného světa. Naučíme se, jak monitorovat jejich výkon a zajišťovat jejich správnou funkčnost.
Vysvětlíme si rozdíl mezi klasickými jazykovými modely a agentním přístupem. Projdeme si architekturu agenta, princip rozhodovací smyčky (perception → reasoning → action) a koncept plánování a nástrojového použití (tool use). Ukážeme si hlavní scénáře použití – od výzkumných asistentů po automatizaci systémů.
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 nástroje jako Chroma, Weaviate nebo FAISS a integraci do AI agentních systémů.
Seznámíte se se strukturou Model Context Protocolu, který definuje kontext, paměť, nástroje, akce a výstupy agenta. Ukážeme si, jak zajišťuje interoperabilitu mezi komponentami agentního systému a jak ho využít pro udržení stavového kontextu během dlouhodobých úloh.
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 SaaS službami (Gmail, Google Sheets, Notion). Výsledkem bude agent schopný samostatně vykonávat akce.
Prozkoumáte, jak sestavovat agentní logiku pomocí LangChain – od jednoduchých chainů po komplexní vícefázové rozhodování. Pomocí LangGraph vytvoříte stavové automaty, kde každý uzel může být krok agenta. Naučíte se kombinovat nástroje, paměť a uživatelské vstupy do uceleného toku.
Ukážeme si, jak orchestrovat více agentů najednou pomocí AutoGenu. Agenti spolu komunikují, specializují se na různé úkoly (programátor, kontrolor, plánovač) a kooperují na komplexních problémech. Naučíte se navrhovat jejich role, cíle a pravidla.
V závěrečném projektu vytvoříte vlastního agenta, který má paměť, používá nástroje, komunikuje s okolím přes workflow a dokáže se rozhodnout nebo delegovat úkol jiným agentům. Vyzkoušíte si ladění, logování a evaluaci agentního chování v reálném scénáři.
Naučíte se, jak formulovat prompty podle typu modelu a úlohy. Vyzkoušíte rozdíly mezi dotazováním jazykových modelů (ChatGPT, Claude) a generativních modelů (DALL·E, Stable Diffusion). Zaměříme se na techniky jako few-shot prompting, persona setup, ReAct pattern a chain-of-thought prompting.
Ukážeme si, jak integrovat umělou inteligenci do vlastních aplikací pomocí SDK a API. Naučíte se pracovat s nástroji jako OpenAI API, Hugging Face Transformers, Replicate nebo Stability SDK. Lekce bude praktická, se zaměřením na kód v Pythonu a reálné scénáře využití.
V kurzu pracujete s nástroji, které dnes tvoří standard moderní umělé inteligence a datové vědy:
| Čas | Víkend 1 | Víkend 2 | Víkend 3 | |||
|---|---|---|---|---|---|---|
| Sobota | Neděle | Sobota | Neděle | Sobota | Neděle | |
| 9:30–11:30 | Stromy | Perceptron, nasazení modelu | CNN, augmentace | RNN | Shlukování, KNN | Generativní architektury |
| 11:30–12:30 | Oběd | |||||
| 12:30–14:30 | Cvičení – stromy | Cvičení – perceptron | Cvičení – CNN | Cvičení – RNN | Cvičení – shlukování, KNN | n8n |
| 14:30–15:00 | Pauza | |||||
| 15:00–16:30 | Prompting & tooling | LangChain | LangGraph | RAG | MCP | n8n – mini cvičení |
| 16:30–17:00 | Pauza | |||||
| 17:00–18:30 | Prompting & tooling – cvičení | Cvičení – LangChain | Cvičení – LangGraph | Cvičení – RAG | Cvičení – MCP | Konzultace a Q&A |
Kurzem to nekončí. I po jeho dokončení ti zůstává spousta výhod, na které se můžeš spolehnout:
Oficiální certifikát Turing Institutu, kterým doložíš své nově nabyté dovednosti.
Záznamy ze všech lekcí i studijní materiály zůstávají navždy tvoje – vracej se k nim, kdykoliv potřebuješ.
Discord plný lidí jako ty, newsletter s IT novinkami a exkluzivní akce jen pro členy.
Na tento kurz teď nemáme vypsaný žádný termín. Napište nám nebo zavolejte — dáme vám vědět, jakmile vypíšeme nový termín, a rádi se domluvíme i na termínu, který vám bude vyhovovat.
Teoretická část kurzu je nezávislá na programovacím jazyce. Praktická část probíhá v Pythonu, který je dnes standardem pro práci s umělou inteligencí a datovou analýzou. Témata nejsou programátorsky náročná a stačí základní znalost programování v libovolném jazyce. Znalost Pythonu je výhodou, nikoliv podmínkou.
Kurz nevyžaduje pokročilé znalosti matematiky (matematická analýza, lineární algebra). Všechny důležité principy vysvětlujeme intuitivně a prakticky. Pokud budete chtít jít více do hloubky, lektoři rádi doplní i matematické pozadí jednotlivých metod.
Ano. Po absolvování kurzu získáte neomezený přístup k záznamům ze všech lekcí i ke kompletním studijním materiálům v naší e-learningové platformě. K materiálům se můžete kdykoliv vrátit i po skončení kurzu.
Výuka probíhá maximálně ve skupině 15 účastníků, takže je dostatek prostoru pro individuální přístup a dotazy.
Praktická výuka je postavená na rychlém střídání teorie a cvičení, aby si účastníci nové znalosti ihned vyzkoušeli v praxi. Cvičení zaměřená na neuronové sítě probíhají v prostředí Jupyter Notebook. U pokročilejších témat (AI agenti, MCP protokol a integrace do aplikací) pracujeme buď opět v Jupyteru, nebo lokálně s nástroji jako Visual Studio Code, Claude Desktop či Docker.