Strojové učení (anglicky machine learning) je obor umělé inteligence zabývající se navrhováním algoritmů a metod, které umožňují počítačům „učit se“ z dat a zlepšovat své výkony na základě zkušeností bez explicitního naprogramování konkrétních pravidel. Klíčovou součástí strojového učení je schopnost systému vytvořit model, který je schopen zobecnit získané poznatky tak, aby byl schopen činit správná rozhodnutí i v situacích, se kterými se dříve nesetkal. Toho je dosaženo zejména prostřednictvím trénování na rozsáhlých souborech příkladů, které reprezentují různé varianty zkoumaného jevu.
Strojové učení lze rozdělit do několika základních kategorií podle povahy úlohy a typu dat, se kterými pracuje. Nejběžnější dělení je na učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a učení posilováním (reinforcement learning). V učení s učitelem je algoritmus trénován na datech, u nichž známe správné odpovědi – například při rozpoznávání rukopisných číslic systém dostává obrázky číslic společně s informacemi o jejich správné hodnotě. Učení bez učitele naopak využívá pouze neznačená data a hledá v nich skryté struktury, například skupinování (clustering) podobných vzorků. Učení posilováním pak umožňuje agentovi rozhodovat se v sekvenčních úlohách na základě odměn a trestů, například při učení hry šachy.
V praxi nachází strojové učení uplatnění v mnoha oblastech lidské činnosti. Mezi nejběžnější aplikace patří rozpoznávání obrazu a hlasu, automatický překlad, detekce anomálií (například finančních podvodů), personalizace obsahu nebo predikce budoucího chování uživatele. Významná je také jeho role při analýze velkých datových souborů v přírodních vědách, medicíně a průmyslu. S dalším rozvojem výpočetních možností a nárůstem objemu dostupných dat lze očekávat, že strojové učení bude hrát klíčovou roli v automatizaci a zlepšování mnoha procesů napříč vědními i technickými disciplínami.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)