Strojové učení představuje dynamickou a rychle se rozvíjející disciplínu v rámci umělé inteligence, jejímž cílem je umožnit počítačovým systémům zlepšovat své chování na základě zkušeností, tedy z dat. Základní myšlenka spočívá v tom, že místo explicitního programování složitých pravidel, která by určovala jednotlivé kroky a rozhodnutí, poskytujeme algoritmu soubor dat (například obrázků, textů nebo čísel) a algoritmus sám objevuje vzory, struktury a vztahy mezi nimi. Strojové učení našlo široké uplatnění napříč odvětvími, například při rozpoznávání řeči a obrazu, strojovém překladu, personalizaci internetového obsahu či v medicínské diagnostice.
Metody strojového učení lze dělit podle způsobu učení na několik základních kategorií. Nejběžnější přístup, zvaný učení s učitelem (supervised learning), využívá trénovacích dat, která obsahují vstupy i správné výstupy („štítky“). Algoritmus se snaží najít vztah mezi vstupy a výstupy a tento model pak používá k předpovědi neznámých případů. Jiným přístupem je učení bez učitele (unsupervised learning), kde jsou data bez štítků a algoritmus pátrá po struktuře dat, například hledá skupiny podobných objektů (clustering). Dalším typem je posilované učení (reinforcement learning), při kterém agent postupně učí své chování tak, aby maximalizoval dlouhodobou odměnu, což je přístup využívaný například v autonomních robotech nebo hrách.
Základním stavebním prvkem strojového učení jsou algoritmy a modely, které dokážou efektivně analyzovat a zobecňovat z trénovacích dat. Patří sem například lineární regresní modely, rozhodovací stromy, náhodné lesy, podpůrné vektorové stroje, ale také moderní hluboké neuronové sítě, které díky své složitosti a flexibilitě dominují zejména v úlohách zpracování obrazu a přirozeného jazyka. Úspěšné nasazení strojového učení závisí také na dostupnosti kvalitních dat, správném výběru modelu a parametrů, a často i na schopnosti interpretovat výsledky modelů. S rostoucí výpočetní kapacitou se těžiště strojového učení stále více přesouvá k rozsáhlým datovým souborům a komplexním modelům, což přináší jak nové technologické možnosti, tak i výzvy, například v oblasti transparentnosti a etiky.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)