Strojové učení (machine learning) je podoblast umělé inteligence, která se zaměřuje na vývoj algoritmů a statistických modelů umožňujících počítačovým systémům učit se na základě dat a bez explicitního programování. Princip spočívá v tom, že modely automaticky detekují vzory v předložených údajích a prostřednictvím procesu učení vylepšují své předpovědi nebo rozhodnutí. Typickým příkladem aplikace strojového učení je rozpoznávání obrázků, překlad textů, detekce podvodů v bankovnictví či doporučování produktů v e-shopech.
Strojové učení lze rozdělit na několik hlavních typů: učení s učitelem, bez učitele a posilované učení. Učení s učitelem (supervised learning) pracuje s trénovacími daty, která obsahují vstupy spolu s odpovídajícími výstupy, model se na základě těchto příkladů naučí předpovídat výstupy pro nová, dosud neznámá data. Učení bez učitele (unsupervised learning) je naopak určeno pro případy, kdy data obsahují jen vstupy bez známých výstupů; cílem je najít určité struktury, například shluky podobných datových bodů. Posilované učení (reinforcement learning) je založené na interakci modelu s prostředím, kdy je cílem maximalizovat dlouhodobou odměnu na základě získané zpětné vazby.
K úspěšnému použití algoritmů strojového učení je třeba mít k dispozici dostatečné množství kvalitních dat a vhodně zvolené modely. Moderní strojové učení často využívá neuronové sítě, které umožňují efektivní práci s komplexními datovými strukturami, jako jsou obrázky nebo zvuky. Z hlediska praktických aplikací je důležité také kontinuální ladění a vyhodnocování modelů, aby se zajistila jejich spolehlivost a přesnost v reálném prostředí. Vývoj v oblasti strojového učení přináší nové možnosti automatizace úloh napříč obory, avšak zároveň s sebou nese i výzvy v oblasti etiky, ochrany soukromí a transparentnosti rozhodovacích procesů modelů.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)