Strojové učení (anglicky machine learning), představuje rychle se rozvíjející vědní disciplínu, která se zabývá vývojem algoritmů umožňujících počítačovým systémům „učit se“ na základě dat a zlepšovat své chování bez explicitního naprogramování všech pravidel. Podstatou strojového učení je hledání vzorů, vztahů a zákonitostí v datech, což vede k vytváření modelů schopných predikce, klasifikace, rozpoznávání obrazců či rozhodování. Tato oblast navazuje na teoretické základy statistiky, matematiky a informatiky, přičemž úzce souvisí s umělou inteligencí jako širším rámcem vývoje inteligentních systémů.
Strojové učení lze rozdělit do několika základních kategorií podle způsobu, jakým algoritmus získává a využívá informace. Mezi hlavní přístupy patří učení s učitelem (supervised learning), kdy má algoritmus k dispozici vstupní data a správné výstupy (označené příklady), což mu umožňuje vytvářet modely pro predikci nových dat. Dále existuje učení bez učitele (unsupervised learning), kde jsou data neznačkovaná a cílem je nalézat v nich struktury nebo seskupení bez předem daných odpovědí. Třetím důležitým typem je posilované učení (reinforcement learning), při kterém se model učí skrze systém odměn a trestů na základě zásahů do prostředí, což je hojně využíváno například v robotice nebo hraní her.
Vliv strojového učení je patrný napříč mnoha oblastmi lidské činnosti – od rozpoznávání řeči a obličejů, přes filtrování spamu, personalizované doporučovací systémy až po analýzu medicínských obrazů či autonomní řízení vozidel. Výzvy strojového učení zahrnují efektivní zpracování velkého objemu dat, interpretovatelnost výsledků, minimalizaci zkreslení (biasu) a zaručení spravedlivého rozhodování modelů. S rozvojem výpočetní techniky a algoritmického výzkumu se stává strojové učení stále dostupnějším a jeho aplikace budou v budoucnu ještě více pronikat do každodenního života i odborných oblastí.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)