{
  "nbformat": 4,
  "nbformat_minor": 0,
  "metadata": {
    "colab": {
      "provenance": [],
      "toc_visible": true
    },
    "kernelspec": {
      "name": "python3",
      "display_name": "Python 3"
    },
    "language_info": {
      "name": "python"
    }
  },
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "# Kapitola 1: Úvod do umělé inteligence - Praktický sešit\n",
        "\n",
        "---\n",
        "\n",
        "## Přehled\n",
        "\n",
        "**V tomto sešitě se naučíte:**\n",
        "- Pracovat s Google Colab (vaše AI laboratoř v prohlížeči)\n",
        "- Vytvořit svůj první AI model - rozhodovací strom\n",
        "- Natrénovat model na datech\n",
        "- Použít model pro předpovědi\n",
        "\n",
        "**Prerekvizity:**\n",
        "- Prostudovaná Kapitola 1 (teorie)\n",
        "- Google účet pro přístup ke Colab\n",
        "- Žádné předchozí programátorské znalosti!\n",
        "\n",
        "**Časová náročnost:** 45-60 minut\n",
        "\n",
        "---"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "## Část 1: Seznámení s Google Colab\n",
        "\n",
        "### Co je Google Colab?\n",
        "\n",
        "Google Colab je **bezplatná online laboratoř** pro programování a umělou inteligenci. Představte si ho jako Word dokument, kde můžete nejen psát text, ale i spouštět programy.\n",
        "\n",
        "**Výhody pro AI:**\n",
        "- Běží v prohlížeči - nemusíte nic instalovat\n",
        "- Nabízí **zdarma GPU** (grafickou kartu) pro rychlé učení AI\n",
        "- Všechny AI knihovny jsou předinstalované\n",
        "- Můžete sdílet své projekty jako Google Docs\n",
        "\n",
        "### Typy buněk\n",
        "\n",
        "V Colabu existují dva typy buněk:\n",
        "1. **Textové buňky** (jako tato) - pro vysvětlení a poznámky\n",
        "2. **Kódové buňky** (šedé) - pro spuštění Python kódu\n",
        "\n",
        "### Jak spustit kód?\n",
        "\n",
        "Klikněte na kódovou buňku a stiskněte:\n",
        "- **Shift + Enter** = spustí buňku a přejde na další\n",
        "- **Ctrl + Enter** = spustí buňku a zůstane na ní\n",
        "- Nebo klikněte na tlačítko ▶ vlevo od buňky"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "### Vaše první buňka - Hello AI World!\n",
        "\n",
        "Spusťte následující buňku pro ověření, že vše funguje:"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# Toto je váš první kód!\n",
        "# Řádky začínající # jsou komentáře - Python je ignoruje\n",
        "# Slouží pro vysvětlení, co kód dělá\n",
        "\n",
        "print(\"Ahoj, světe umělé inteligence!\")\n",
        "print(\"Právě jste spustili svůj první kód v Colabu.\")\n",
        "print(\"Gratulujeme!\")"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "**Co se stalo?**\n",
        "- Funkce `print()` zobrazí text na obrazovku\n",
        "- Text v uvozovkách `\"...\"` je řetězec (string)\n",
        "- Každý řádek se provede postupně shora dolů\n",
        "\n",
        "---"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "## Část 2: Váš první AI model - Rozhodovací strom\n",
        "\n",
        "### Co budeme vytvářet?\n",
        "\n",
        "Naučíme počítač rozpoznávat ovoce! Konkrétně:\n",
        "- **Vstup:** Váha ovoce (v gramech) a textura (hladká/hrbolatá)\n",
        "- **Výstup:** Je to jablko nebo pomeranč?\n",
        "\n",
        "### Proč rozhodovací strom?\n",
        "\n",
        "Rozhodovací strom je jako hra \"20 otázek\":\n",
        "1. Je ovoce těžší než 145g? → ANO/NE\n",
        "2. Je povrch hrbolatý? → ANO/NE\n",
        "3. → Odpověď: Jablko nebo Pomeranč\n",
        "\n",
        "Je to jeden z **nejsrozumitelnějších** AI algoritmů - proto s ním začínáme!\n",
        "\n",
        "### Krok 2.1: Import AI knihovny\n",
        "\n",
        "Nejprve načteme knihovnu `scikit-learn` - nejpopulárnější nástroj pro strojové učení v Pythonu."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# Import knihovny pro strojové učení\n",
        "# sklearn = scikit-learn, zlatý standard pro ML v Pythonu\n",
        "# tree = modul obsahující rozhodovací stromy\n",
        "\n",
        "from sklearn import tree\n",
        "\n",
        "print(\"Knihovna scikit-learn úspěšně načtena!\")\n",
        "print(\"Nyní máme přístup k rozhodovacím stromům.\")"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "### Krok 2.2: Příprava trénovacích dat\n",
        "\n",
        "Každý AI model se musí **naučit z příkladů**. Tyto příklady nazýváme **trénovací data**.\n",
        "\n",
        "**Naše data o ovoci:**\n",
        "\n",
        "| Váha (g) | Textura | Ovoce |\n",
        "|----------|---------|-------|\n",
        "| 140 | Hladká (0) | Jablko |\n",
        "| 130 | Hladká (0) | Jablko |\n",
        "| 150 | Hrbolatá (1) | Pomeranč |\n",
        "| 170 | Hrbolatá (1) | Pomeranč |\n",
        "\n",
        "**Slovníček:**\n",
        "- **Features (příznaky)** = vlastnosti, které popisují data (váha, textura)\n",
        "- **Labels (štítky)** = správné odpovědi (jablko, pomeranč)"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# TRÉNOVACÍ DATA\n",
        "# ==============\n",
        "\n",
        "# Features (příznaky) = vlastnosti ovoce\n",
        "# Formát: [váha_v_gramech, textura]\n",
        "# Textura: 0 = hladká, 1 = hrbolatá\n",
        "\n",
        "features = [\n",
        "    [140, 0],  # Ovoce 1: 140g, hladké\n",
        "    [130, 0],  # Ovoce 2: 130g, hladké\n",
        "    [150, 1],  # Ovoce 3: 150g, hrbolaté\n",
        "    [170, 1],  # Ovoce 4: 170g, hrbolaté\n",
        "]\n",
        "\n",
        "# Labels (štítky) = správné odpovědi\n",
        "# 0 = jablko, 1 = pomeranč\n",
        "\n",
        "labels = [0, 0, 1, 1]  # Jablko, Jablko, Pomeranč, Pomeranč\n",
        "\n",
        "print(\"Trénovací data připravena!\")\n",
        "print(f\"Počet příkladů: {len(features)}\")\n",
        "print(f\"Příznaky: váha (g), textura (0=hladká, 1=hrbolatá)\")\n",
        "print(f\"Štítky: 0=jablko, 1=pomeranč\")"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "### Krok 2.3: Vytvoření a trénování modelu\n",
        "\n",
        "Teď přichází **kouzlo strojového učení**!\n",
        "\n",
        "1. Vytvoříme prázdný rozhodovací strom\n",
        "2. \"Nakrmíme\" ho daty pomocí metody `.fit()`\n",
        "3. Model se **sám naučí** pravidla pro rozpoznávání ovoce\n",
        "\n",
        "**Analogie:** Je to jako učit dítě rozpoznávat zvířata - ukážete mu obrázky a řeknete \"tohle je pes, tohle je kočka\". Po chvíli je pozná samo."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# VYTVOŘENÍ A TRÉNOVÁNÍ MODELU\n",
        "# ============================\n",
        "\n",
        "# Krok 1: Vytvoříme prázdný rozhodovací strom\n",
        "# DecisionTreeClassifier = klasifikátor pomocí rozhodovacího stromu\n",
        "model = tree.DecisionTreeClassifier()\n",
        "\n",
        "print(\"Prázdný rozhodovací strom vytvořen.\")\n",
        "print(\"Zatím nic neumí - musíme ho natrénovat...\")\n",
        "print()\n",
        "\n",
        "# Krok 2: Natrénujeme model na našich datech\n",
        "# .fit() = \"nauč se z těchto dat\"\n",
        "# První argument: features (vstupní data)\n",
        "# Druhý argument: labels (správné odpovědi)\n",
        "model.fit(features, labels)\n",
        "\n",
        "print(\"Model úspěšně natrénován!\")\n",
        "print(\"Nyní umí rozpoznávat jablka a pomeranče.\")"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "### Krok 2.4: Použití modelu pro předpovědi\n",
        "\n",
        "Model je natrénovaný! Teď ho můžeme použít pro **předpovědi** na nových datech, která nikdy neviděl.\n",
        "\n",
        "**Testovací ovoce:**\n",
        "- Váha: 160g\n",
        "- Textura: hrbolatá (1)\n",
        "\n",
        "Co si myslíte, že to bude? Jablko nebo pomeranč?"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# PŘEDPOVĚĎ NA NOVÉM OVOCI\n",
        "# ========================\n",
        "\n",
        "# Nové ovoce, které model nikdy neviděl\n",
        "nove_ovoce = [[160, 1]]  # 160g, hrbolaté\n",
        "\n",
        "# Zeptáme se modelu na předpověď\n",
        "# .predict() = \"co si myslíš, že to je?\"\n",
        "predikce = model.predict(nove_ovoce)\n",
        "\n",
        "print(\"PŘEDPOVĚĎ MODELU\")\n",
        "print(\"=\"*30)\n",
        "print(f\"Vstup: váha=160g, textura=hrbolatá\")\n",
        "print()\n",
        "\n",
        "# Převedeme číselnou odpověď na text\n",
        "if predikce[0] == 0:\n",
        "    print(\"Výsledek: JABLKO\")\n",
        "else:\n",
        "    print(\"Výsledek: POMERANČ\")\n",
        "\n",
        "print()\n",
        "print(\"Model se rozhodl na základě vzorů, které našel v trénovacích datech!\")"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## Část 3: Experimentování s modelem\n",
        "\n",
        "### Cvičení 3.1: Zkuste jiná ovoce\n",
        "\n",
        "Upravte hodnoty v buňce níže a zjistěte, co model předpoví:"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# CVIČENÍ: Zkuste různé kombinace!\n",
        "# ================================\n",
        "\n",
        "# Změňte tyto hodnoty a spusťte buňku znovu:\n",
        "vaha = 120       # Zkuste: 100, 120, 140, 160, 180\n",
        "textura = 0      # Zkuste: 0 (hladká) nebo 1 (hrbolatá)\n",
        "\n",
        "# Předpověď\n",
        "test_ovoce = [[vaha, textura]]\n",
        "vysledek = model.predict(test_ovoce)\n",
        "\n",
        "# Zobrazení výsledku\n",
        "textura_text = \"hladká\" if textura == 0 else \"hrbolatá\"\n",
        "ovoce_text = \"Jablko\" if vysledek[0] == 0 else \"Pomeranč\"\n",
        "\n",
        "print(f\"Váha: {vaha}g, Textura: {textura_text}\")\n",
        "print(f\"Předpověď: {ovoce_text}\")"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "### Cvičení 3.2: Přidejte více trénovacích dat\n",
        "\n",
        "Co se stane, když přidáme více příkladů? Model se může naučit přesnější pravidla!"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# ROZŠÍŘENÁ DATA\n",
        "# ==============\n",
        "\n",
        "# Více příkladů = lepší učení\n",
        "features_rozsirene = [\n",
        "    # Jablka (label = 0)\n",
        "    [140, 0],  # Střední jablko, hladké\n",
        "    [130, 0],  # Menší jablko, hladké\n",
        "    [150, 0],  # Větší jablko, hladké\n",
        "    [135, 0],  # Střední jablko, hladké\n",
        "    [145, 0],  # Střední jablko, hladké\n",
        "    \n",
        "    # Pomeranče (label = 1)\n",
        "    [150, 1],  # Menší pomeranč, hrbolatý\n",
        "    [170, 1],  # Větší pomeranč, hrbolatý\n",
        "    [160, 1],  # Střední pomeranč, hrbolatý\n",
        "    [165, 1],  # Střední pomeranč, hrbolatý\n",
        "    [155, 1],  # Střední pomeranč, hrbolatý\n",
        "]\n",
        "\n",
        "labels_rozsirene = [0, 0, 0, 0, 0,  # 5 jablek\n",
        "                    1, 1, 1, 1, 1]  # 5 pomerančů\n",
        "\n",
        "# Natrénujeme nový model\n",
        "model_lepsi = tree.DecisionTreeClassifier()\n",
        "model_lepsi.fit(features_rozsirene, labels_rozsirene)\n",
        "\n",
        "print(\"Nový model natrénován na 10 příkladech!\")\n",
        "print(f\"Počet jablek: 5\")\n",
        "print(f\"Počet pomerančů: 5\")"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# Porovnání obou modelů\n",
        "test_ovoce = [[145, 0]]  # 145g, hladké - hraniční případ\n",
        "\n",
        "predikce_puvodni = model.predict(test_ovoce)\n",
        "predikce_lepsi = model_lepsi.predict(test_ovoce)\n",
        "\n",
        "print(\"POROVNÁNÍ MODELŮ\")\n",
        "print(\"=\"*40)\n",
        "print(f\"Testovací ovoce: 145g, hladké\")\n",
        "print()\n",
        "print(f\"Původní model (4 příklady): {'Jablko' if predikce_puvodni[0] == 0 else 'Pomeranč'}\")\n",
        "print(f\"Lepší model (10 příkladů):  {'Jablko' if predikce_lepsi[0] == 0 else 'Pomeranč'}\")"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## Část 4: Vizualizace rozhodovacího stromu\n",
        "\n",
        "Jednou z výhod rozhodovacích stromů je, že můžeme **vidět, jak model přemýšlí**. \n",
        "\n",
        "Toto je důležité pro pochopení AI - rozhodovací stromy nejsou \"černá skříňka\"!"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# VIZUALIZACE STROMU\n",
        "# ==================\n",
        "\n",
        "# Import knihovny pro vykreslování\n",
        "import matplotlib.pyplot as plt\n",
        "\n",
        "# Nastavení velikosti obrázku\n",
        "plt.figure(figsize=(12, 8))\n",
        "\n",
        "# Vykreslení stromu\n",
        "tree.plot_tree(\n",
        "    model_lepsi,\n",
        "    feature_names=['Váha (g)', 'Textura'],\n",
        "    class_names=['Jablko', 'Pomeranč'],\n",
        "    filled=True,\n",
        "    rounded=True,\n",
        "    fontsize=10\n",
        ")\n",
        "\n",
        "plt.title('Rozhodovací strom pro klasifikaci ovoce', fontsize=14)\n",
        "plt.tight_layout()\n",
        "plt.show()\n",
        "\n",
        "print(\"\\nJak číst strom:\")\n",
        "print(\"- Každý obdélník je 'rozhodovací uzel'\")\n",
        "print(\"- Podmínka nahoře určuje, kam jít dál\")\n",
        "print(\"- Modrá = Jablko, Oranžová = Pomeranč\")\n",
        "print(\"- 'samples' = kolik příkladů prošlo tímto uzlem\")\n",
        "print(\"- 'value' = [počet jablek, počet pomerančů]\")"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## Část 5: Mini-projekt - Klasifikátor zvířat\n",
        "\n",
        "### Zadání\n",
        "\n",
        "Vytvořte rozhodovací strom, který rozpozná **3 druhy zvířat**:\n",
        "- Pes\n",
        "- Kočka  \n",
        "- Pták\n",
        "\n",
        "**Příznaky (features):**\n",
        "1. Váha (kg)\n",
        "2. Výška (cm)\n",
        "\n",
        "**Vaším úkolem je:**\n",
        "1. Vytvořit trénovací data (alespoň 3 příklady na zvíře)\n",
        "2. Natrénovat model\n",
        "3. Otestovat na novém zvířeti"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# MINI-PROJEKT: Klasifikátor zvířat\n",
        "# ==================================\n",
        "\n",
        "# TODO: Doplňte trénovací data\n",
        "# Formát: [váha_kg, výška_cm]\n",
        "# Labels: 0 = pes, 1 = kočka, 2 = pták\n",
        "\n",
        "zvirata_features = [\n",
        "    # Psi (label = 0)\n",
        "    [25, 60],   # Střední pes\n",
        "    [8, 30],    # Malý pes\n",
        "    [40, 70],   # Velký pes\n",
        "    \n",
        "    # Kočky (label = 1)\n",
        "    [4, 25],    # Kočka\n",
        "    [5, 28],    # Větší kočka\n",
        "    [3, 23],    # Menší kočka\n",
        "    \n",
        "    # Ptáci (label = 2)\n",
        "    [0.5, 20],  # Holub\n",
        "    [0.3, 15],  # Vrabec\n",
        "    [1.2, 35],  # Krkavec\n",
        "]\n",
        "\n",
        "zvirata_labels = [0, 0, 0,  # Psi\n",
        "                  1, 1, 1,  # Kočky\n",
        "                  2, 2, 2]  # Ptáci\n",
        "\n",
        "# Vytvoření a trénování modelu\n",
        "model_zvirat = tree.DecisionTreeClassifier()\n",
        "model_zvirat.fit(zvirata_features, zvirata_labels)\n",
        "\n",
        "print(\"Model pro rozpoznávání zvířat natrénován!\")"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# Testování modelu\n",
        "nazvy_zvirat = {0: \"Pes\", 1: \"Kočka\", 2: \"Pták\"}\n",
        "\n",
        "# Test 1: Střední zvíře\n",
        "test1 = [[15, 45]]  # 15kg, 45cm\n",
        "predikce1 = model_zvirat.predict(test1)\n",
        "print(f\"Zvíře 15kg, 45cm = {nazvy_zvirat[predikce1[0]]}\")\n",
        "\n",
        "# Test 2: Lehké a malé\n",
        "test2 = [[0.4, 18]]  # 0.4kg, 18cm\n",
        "predikce2 = model_zvirat.predict(test2)\n",
        "print(f\"Zvíře 0.4kg, 18cm = {nazvy_zvirat[predikce2[0]]}\")\n",
        "\n",
        "# Test 3: Střední velikost\n",
        "test3 = [[4.5, 26]]  # 4.5kg, 26cm\n",
        "predikce3 = model_zvirat.predict(test3)\n",
        "print(f\"Zvíře 4.5kg, 26cm = {nazvy_zvirat[predikce3[0]]}\")"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# Vizualizace stromu pro zvířata\n",
        "plt.figure(figsize=(14, 10))\n",
        "\n",
        "tree.plot_tree(\n",
        "    model_zvirat,\n",
        "    feature_names=['Váha (kg)', 'Výška (cm)'],\n",
        "    class_names=['Pes', 'Kočka', 'Pták'],\n",
        "    filled=True,\n",
        "    rounded=True,\n",
        "    fontsize=10\n",
        ")\n",
        "\n",
        "plt.title('Rozhodovací strom pro klasifikaci zvířat', fontsize=14)\n",
        "plt.tight_layout()\n",
        "plt.show()"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## Cvičení pro samostatnou práci\n",
        "\n",
        "### Cvičení 1: Rozšíření klasifikátoru ovoce\n",
        "Přidejte do klasifikátoru ovoce třetí typ - **banán**. Banán je typicky:\n",
        "- Váha: 100-150g\n",
        "- Textura: hladká (0)\n",
        "\n",
        "Jak odlišíte banán od jablka?\n",
        "\n",
        "### Cvičení 2: Nový příznak\n",
        "Přidejte třetí příznak - **barvu** (0=zelená, 1=červená, 2=oranžová, 3=žlutá).\n",
        "Jak to ovlivní přesnost modelu?\n",
        "\n",
        "### Cvičení 3: Vlastní klasifikátor\n",
        "Vytvořte klasifikátor pro něco jiného:\n",
        "- Auta (sedan, SUV, sporťák)\n",
        "- Počasí (slunečno, zataženo, déšť)\n",
        "- Hudební žánry (rock, pop, klasika)"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# Prostor pro cvičení 1\n",
        "# =====================\n",
        "# Doplňte svůj kód zde:\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# Prostor pro cvičení 2\n",
        "# =====================\n",
        "# Doplňte svůj kód zde:\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# Prostor pro cvičení 3\n",
        "# =====================\n",
        "# Doplňte svůj kód zde:\n",
        "\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## Shrnutí kapitoly\n",
        "\n",
        "### Co jste se naučili:\n",
        "\n",
        "1. **Google Colab** - jak spouštět AI kód v prohlížeči zdarma\n",
        "2. **Trénovací data** - příklady, ze kterých se AI učí (features + labels)\n",
        "3. **Rozhodovací strom** - jednoduchý a srozumitelný AI algoritmus\n",
        "4. **Trénování modelu** - `.fit()` naučí model z dat\n",
        "5. **Předpovědi** - `.predict()` použije naučené znalosti na nová data\n",
        "6. **Vizualizace** - můžeme vidět, jak model \"přemýšlí\"\n",
        "\n",
        "### Klíčové pojmy:\n",
        "\n",
        "| Pojem | Význam |\n",
        "|-------|--------|\n",
        "| **Features** | Vstupní vlastnosti dat (váha, textura) |\n",
        "| **Labels** | Správné odpovědi (jablko, pomeranč) |\n",
        "| **Model** | \"Mozek\" AI, který se učí z dat |\n",
        "| **Trénování** | Proces učení modelu z příkladů |\n",
        "| **Predikce** | Předpověď modelu na nových datech |\n",
        "\n",
        "---\n",
        "\n",
        "## Kontrolní otázky\n",
        "\n",
        "1. Co je rozdíl mezi features a labels?\n",
        "2. Proč potřebujeme trénovací data?\n",
        "3. Co dělá metoda `.fit()`?\n",
        "4. Co dělá metoda `.predict()`?\n",
        "5. Proč je rozhodovací strom vhodný pro začátečníky?\n",
        "6. Co se stane, když přidáme více trénovacích dat?\n",
        "7. Jak můžeme vizualizovat rozhodovací strom?\n",
        "8. Co znamená \"černá skříňka\" v kontextu AI?\n",
        "9. Jaký je rozdíl mezi slabou a silnou AI?\n",
        "10. Kde všude se používá AI v běžném životě?\n",
        "\n",
        "---\n",
        "\n",
        "## Další kroky\n",
        "\n",
        "V příští kapitole se podíváme na **historii umělé inteligence** a pochopíme, jak jsme se dostali od prvních myšlenek k dnešním systémům.\n",
        "\n",
        "**Výzva:** Zkuste přidat do klasifikátoru zvířat další příznaky (například \"umí létat\": 0/1). Jak to ovlivní předpovědi?\n",
        "\n",
        "---\n",
        "\n",
        "*Notebook pro AI kurz - Kapitola 1*  \n",
        "*Spustitelné v Google Colab (zdarma)*"
      ]
    }
  ]
}