Strojové učení (Machine Learning, ML) je interdisciplinární oblast informatiky, která se zabývá vývojem metod a algoritmů umožňujících počítačům samostatně se učit ze zkušeností, tj. z dat, bez explicitního naprogramování konkrétního postupu pro každý úkol. Jádro strojového učení spočívá v matematické a statistické analýze, kde algoritmy vyhledávají vzory, vztahy a souvislosti ve velkých souborech dat. To umožňuje automatizované predikce, klasifikace či rozhodování v oblastech jako je rozpoznávání obrazu, zpracování přirozeného jazyka nebo zdravotnictví.
Strojové učení lze rozdělit na několik hlavních kategorií podle typu úlohy a dostupnosti trénovacích dat. Nejrozšířenější je učení s učitelem (supervised learning), kde algoritmus pracuje s daty označenými odpověďmi (tzv. labely) a cílem je naučit se predikovat výsledek u nových nepopsaných vzorků. Druhou kategorií je učení bez učitele (unsupervised learning), kde data nejsou označena a algoritmus hledá v datech skrytou strukturu, např. seskupuje podobné objekty (clustering). Existuje také učení posilováním (reinforcement learning), kde se systém učí sérií pokusů a omylů maximalizovat odměnu na základě zpětné vazby z prostředí.
Úspěchy strojového učení během posledních let souvisí zejména s rostoucím výpočetním výkonem, dostupností velkých datových sad (big data) a rozvojem hlubokého učení (deep learning). Hluboké učení, využívající vícevrstvé neuronové sítě, umožnilo průlomové výsledky např. v rozpoznávání řeči, obrazu nebo ve hrách. Mezi široce používané algoritmy patří regresní modely, rozhodovací stromy, metody podpůrných vektorů či různé typy neuronových sítí. Navzdory dramatickému pokroku zůstávají klíčovými výzvami vysvětlitelnost modelů (explainability), etické aspekty, odolnost vůči zkresleným datům a zabezpečení před zneužitím. Strojové učení se tak nadále vyvíjí a nachází uplatnění ve stále širší škále aplikací vědy, průmyslu i běžného života.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)