Tématem bakalářské práce je problematika tvorby umělé neuronové sítě pro potřeby časoprostorového predikčního modelování pandemie COVID-19 v administrativních jednotkách České republiky. K tomu jsou použita volně dostupná epidemiologická data sekvenční povahy, jež jsou za účelem usnadnění učení sítě nejprve analyzována vybranými statistickými metodami a transformována do vhodné podoby před vstupem do modelu. Sama tvorba konkrétní architektury umělé neuronové sítě plnící stanovené cíle je rozebrána z teoretického i praktického hlediska. Závěrečným krokem je vícefázová validace přesnosti predikcí i samotného nejlepšího dosaženého modelu zvolenými metodami užitím stanovených kritérií a vizualizací. Výsledkem je kromě rozboru dané problematiky finální model, stejně jako nástroj vytvořený autorem práce v programovacím jazyce Python, který je použit k realizaci celého výše nastíněného procesu. Práce by měla reprezentovat jednu z možných cest časoprostorového predikčního modelování epidemiologických dat, případně by mohla také sloužit jako inspirace pro tvorbu podobných umělých neuronových sítí pro potřeby predikce sekvenčních dat i v jiných tematických oblastech.This bachelor thesis deals with the design of an artificial neural network for the needs of spatiotemporal predictive modelling of the COVID-19 pandemic in the administrative units of the Czech Republic. For this purpose, freely available epidemiological data of sequential nature are used, which are first analysed using selected statistical methods and transformed into a suitable form before entering the model in order to facilitate learning of the network. The actual design of a specific artificial neural network architecture fulfilling the stated objectives is discussed in both theoretical and practical perspectives. The final phase is the multi-stage validation of the accuracy of the predictions and of the best achieved model itself, attained by the chosen methods using selected criteria and visualizations. The results are, in addition to the analysis of the issue, the final model, as well as the tool created by the author of the thesis in the Python programming language, which was used to implement the entire process outlined above. The work should represent one of the possible ways of spatiotemporal predictive modelling of epidemiological data, while it could also serve as an inspiration for the creation of similar artificial neural networks for the needs of sequential data prediction in other subject areas.