Strojové učení (anglicky machine learning) představuje interdisciplinární oblast informatiky zabývající se návrhem a vývojem algoritmů a statistických modelů, které umožňují počítačovým systémům „učit se“ z dat a zlepšovat své výkony v průběhu času bez explicitního naprogramování konkrétního řešení. Základním stavebním kamenem strojového učení jsou data – historická či nově získaná –, na jejichž základě se algoritmy učí rozpoznávat vzory, provádět predikce či klasifikovat objekty do předem definovaných kategorií. Tato schopnost je klíčová v celé řadě moderních aplikací, od rozpoznávání obrazu a hlasu přes personalizaci webového obsahu až po detekci podvodů v bankovních transakcích.
Strojové učení můžeme rozdělit do několika základních kategorií podle druhu dostupných dat a požadovaných výstupů. Nejběžnějším typem je učení s učitelem (supervised learning), kde se algoritmus učí na základě označených dat, tedy vstupů s předem známými správnými výstupy. Typickým příkladem je predikce ceny nemovitosti na základě historických údajů o cenách a vlastnostech jednotlivých domů. Učení bez učitele (unsupervised learning) naopak pracuje s daty bez známých výstupů a snaží se v nich nalézt skryté vzory či struktury, například seskupování podobných zákazníků do segmentů podle nákupního chování. Existuje také posilované učení (reinforcement learning), kde se systém učí optimální strategii na základě zpětné vazby ve formě odměn a trestů za své akce v prostředí – takto se dnes trénují např. autonomní agenti v počítačových hrách či robotice.
Principy strojového učení značně ovlivnily současný vývoj technologií a umožnily průlomové aplikace umělé inteligence. Významnou roli hrají zejména komplexní modely, jako jsou neuronové sítě, které se používají například v hlubokém učení (deep learning). Tyto modely jsou schopné efektivně zpracovávat a analyzovat velké objemy dat, od textů přes obrázky až po zvukové signály, a často dosahují vyšší přesnosti než tradiční algoritmy. Přesto však strojové učení čelí několika výzvám, například vysvětlitelnosti rozhodnutí (tzv. interpretability), přesnosti na neznámých datech (generalizace) a zajištění etického využití dat. Výzkum v této oblasti tak neustále pokračuje a strojové učení představuje klíčový nástroj pro další rozvoj a digitalizaci společnosti.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)