Strojové učení je podmnožinou umělé inteligence, která se zabývá návrhem a vývojem algoritmů umožňujících počítačovým systémům učit se z dat a zlepšovat své schopnosti bez explicitního naprogramování všech úkonů. Hlavním cílem strojového učení je vytvářet počítačové modely, které dokáží na základě historických dat rozpoznávat vzory, učinit rozhodnutí, nebo předpovídat budoucí události. Typickými oblastmi využití jsou například rozpoznávání obrazu a řeči, predikce trendů na finančních trzích, personalizace obsahu na internetu, automatický překlad jazyků, detekce podvodů či lékařské diagnostiky.
Strojové učení lze rozdělit do několika základních kategorií podle povahy učení. Nejčastěji se uplatňuje učení s učitelem (supervised learning), kde model dostává trénovací data s předem nadefinovanými správnými výstupy (tzv. labely) a učí se je předpovídat u nových, dosud neznámých vstupů. Typickými příklady jsou klasifikace (zařazení vstupu do nějaké kategorie) nebo regresní úlohy (předpověď číselné hodnoty). Druhou hlavní kategorií je učení bez učitele (unsupervised learning), kde model pracuje pouze s neupravenými daty bez správných odpovědí a snaží se odhalovat v datech skryté struktury, například hledáním shluků podobných vzorků (clustering) nebo zjednodušováním dat (redukcí dimenzionality). Existuje také zesilované učení (reinforcement learning), kde se agent učí sérií pokusů a omylů, přičemž dostává zpětnou vazbu o úspěšnosti svých akcí ve formě odměn či trestů.
Základním stavebním kamenem strojového učení jsou algoritmy, mezi nimiž vynikají například rozhodovací stromy, náhodné lesy, support vector machines (SVM), neuronové sítě nebo k-nejbližších sousedů (k-NN). S rozvojem výpočetních kapacit a dostupnosti velkých datových souborů nabývají na významu složité architektury, jako jsou hluboké neuronové sítě (deep learning), které nacházejí využití v oblasti rozpoznávání obrazu, překladu textu nebo generování obsahu. Přínos strojového učení spočívá v jeho schopnosti automatizovat a zefektivnit úlohy, které by byly pro člověka zdlouhavé či nemožné, a otevírá nové možnosti v řadě vědních i praktických oblastí lidského života. Výzvou však zůstává například interpretovatelnost rozhodnutí těchto modelů, správná volba a úprava trénovacích dat, a také otázky etiky a ochrany soukromí.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)