Strojové učení (Machine Learning, ML) je oborem umělé inteligence, který se zabývá vývojem algoritmů a metod umožňujících počítačovým systémům zlepšovat své chování na základě zkušeností, tedy z dat. Na rozdíl od klasického programování, kde jsou veškerá pravidla přesně definována programátorem, ve strojovém učení se systém „učí“ vzory a zákonitosti sám. Učení probíhá tak, že algoritmus analyzuje trénovací data a na jejich základě vytváří model. Tento model pak může předpovídat nebo klasifikovat nové, dosud neviděné informace.
Existuje několik základních typů strojového učení. Nejčastější je učení s učitelem (supervised learning), kde jsou trénovací data označena správným výstupem – například obrázky jsou popsané, zda zobrazují psa nebo kočku. Model se na základě těchto příkladů naučí rozpoznávat vzory a pak dokáže klasifikovat nové snímky. Dalším typem je učení bez učitele (unsupervised learning), kde data nemají přiřazeny žádné výstupy a algoritmus hledá v datech zákonitosti a struktury sám, například seskupuje uživatele podle jejich nákupního chování. Mezi speciální kategorie patří také učení posilováním (reinforcement learning), kde se algoritmus učí pomocí zpětné vazby z prostředí, často formou odměn a trestů.
Aplikace strojového učení jsou dnes velmi široké – od rozpoznávání obrazu a řeči, přes predikci počasí, personalizaci doporučení (například ve streamovacích službách), až po detekci podvodů či autonomní řízení vozidel. Vývoj v oblasti ML byl akcelerován mimo jiné rozvojem výkonných výpočetních prostředků a dostupností velkých datových souborů. Přestože ML přináší řadu benefitů, nese s sebou také výzvy, například otázky transparentnosti rozhodování, etiky nebo bezpečnosti. Strojové učení se tak řadí mezi nejdynamičtější a nejperspektivnější disciplíny současné informatiky a významně mění podobu mnoha oborů lidské společnosti.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)