Strojové učení je obor informatiky, jenž se zabývá vývojem algoritmů a technik umožňujících počítačovým systémům automaticky se zlepšovat na základě zkušeností, aniž by byly explicitně naprogramovány pro konkrétní úkoly. Princip spočívá ve využívání statistických metod, které počítačům umožňují najít vzory a souvislosti ve velkém množství dat. Získané poznatky jsou pak použity například k předpovídání budoucích hodnot, klasifikaci objektů či rozpoznávání řeči. Strojové učení tvoří klíčovou součást širšího pole umělé inteligence a své uplatnění nalezlo v mnoha oblastech, ať už jde o medicínu, průmysl, dopravu, finance, nebo spotřebitelské technologie.
Základní dělení metod strojového učení zahrnuje učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a učení posilováním (reinforcement learning). Učení s učitelem využívá trénovacích dat, která jsou označena správnými výstupy, a úlohou algoritmu je vytvořit model, jenž bude schopen správně predikovat výstupy i u nových, neznámých dat. Typickým příkladem je rozpoznání rukopisných číslic či analýza sentimentu textů. Učení bez učitele se oproti tomu snaží najít v neoznačených datech skryté vzory nebo seskupení (klastry). Učení posilováním je založené na tom, že algoritmus vykonává akce v prostředí a získává zpětnou vazbu ve formě odměn či trestů, což mu umožňuje postupně „učit se“ optimálnímu chování.
Exponenciální nárůst výpočetních výkonů, dostupnost velkých objemů dat a pokrok v algoritmech vedl v posledních letech ke značnému rozvoji strojového učení, zejména technik hlubokého učení, tedy využívání vícevrstvých neuronových sítí. Tyto systémy dnes dosahují špičkových výsledků v úlohách, jež byly donedávna považovány za obtížně řešitelné počítačem, například v rozpoznávání obrazu či překladu jazyka. Strojové učení však přináší také nové výzvy, například vyžaduje pečlivý výběr a úpravu trénovacích dat, protože bias, tedy zkreslení dat, se může negativně promítnout do výsledného modelu. Důležitou oblastí výzkumu je proto také otázka vysvětlitelnosti a transparentnosti těchto systémů, zejména v aplikacích, kde může mít algoritmické rozhodování zásadní dopad na lidské životy.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)