AI základy

• Explain training and inference in plain language.
• Separate demonstrated capability from marketing claims.
• Evaluate AI outputs using evidence, uncertainty, and fit-for-purpose tests.

Prerequisites:None.

1. 1

   What AI is

   Výsledek: Distinguish AI, machine learning, and ordinary software.

   Praxe: Classify five everyday systems and explain which definition of AI you used.

   AI concepts and boundaries
   Co je AI? →Základy strojového učení →
2. 2

   How systems learn

   Výsledek: Describe the role of examples, objectives, and generalization.

   Praxe: Diagnose why a model can perform well in testing but fail for a new population.

   Data, training, and generalization
   Jak se AI učí →Základy strojového učení →Školení AI →
3. 3

   Models and inference

   Výsledek: Explain what happens when a trained model produces an output.

   Praxe: Trace one user request from input through model output and human review.

   Modely, inference a omezení
   Vysvětlení modelů AI →Inference AI →Neuronové sítě →
4. 4

   Evidence and uncertainty

   Výsledek: Check claims, benchmarks, and confident-sounding outputs.

   Praxe: Create a claim ledger for one AI product announcement.

   Hodnocení a gramotnost v benchmarkechUncertainty and confidence calibrationOvěření zdroje a tvrzení
   Benchmarky AI →AI halucinace →AI mýty →