Strojové učení (anglicky machine learning) je oblast informatiky, která se zabývá vývojem algoritmů a metod umožňujících počítačům „učit se“ přímo z dat, aniž by byly explicitně naprogramovány pro konkrétní úkol. Hlavní myšlenkou strojového učení je vytvářet modely, které jsou schopny identifikovat vzory či zákonitosti v datech a následně je využívat k předpovědím nebo rozhodování. Strojové učení je úzce provázáno s obory jako je statistika, matematika nebo neuronové sítě a má široké praktické uplatnění od rozpoznávání obrazů a hlasu přes predikce v ekonomii až po autonomní řízení vozidel.
Existuje několik základních typů strojového učení, které se liší podle způsobu, jakým model získává a zpracovává informace. Nejčastěji se rozlišuje učení s učitelem (supervised learning), kde model trénuje na datech s předem známými správnými odpověďmi (tzv. labely). Příkladem je rozpoznávání rukopisných číslic podle trénovacích obrázků. Dalším typem je učení bez učitele (unsupervised learning), kde model hledá vzory a shluky v neznačených datech, například při segmentaci zákazníků na základě jejich nákupního chování. Posledním často zmiňovaným typem je posilované učení (reinforcement learning), kde systém získává odměny nebo tresty za své akce a učí se tím optimalizovat své rozhodování v průběhu času.
Strojové učení sehrává ve vědě a průmyslu stále důležitější roli. Umožňuje automatizovat komplexní úkoly, které byly dříve vyhrazeny pouze lidskému úsudku, například diagnostiku nemocí, překlad jazyků nebo analýzu velkých datových souborů. Jeho úspěchy jsou patrné nejen v každodenním životě, kde ovlivňují doporučení na e-shopech nebo správu emailové pošty, ale také v pokročilých oblastech jako je biomedicína, robotika či klimatologie. S rozvojem výpočetní techniky a sběru dat strojové učení stále rychleji vyvíjí a mění naše možnosti v automatizaci a poznávání složitých systémů kolem nás.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)