Strojové učení (anglicky Machine Learning) představuje důležitou podmnožinu umělé inteligence, která se zabývá tvorbou algoritmů a modelů schopných učit se z dat a zlepšovat své výkony na základě zkušenosti. Základní myšlenkou strojového učení je umožnit počítačovým systémům automaticky se učit a rozhodovat bez explicitního naprogramování všech pravidel. Tento přístup se výrazně liší od klasických programovacích metod, kde je chování počítače přesně určeno sadou instrukcí; naopak ve strojovém učení jsou modely vytvářeny na základě statistické analýzy, hledání vzorů a vztahů v datech.
Existuje několik hlavních typů strojového učení. Učení s učitelem (supervised learning) využívá trénovací data obsahující vstupy i odpovídající výstupy, díky čemuž se model učí předpovídat nebo klasifikovat nové neznámé případy. Typickými úlohami jsou rozpoznávání obrazů, detekce podvodů nebo předpověď cen. Učení bez učitele (unsupervised learning) pracuje pouze s nevysvětlenými daty a hledá v nich skryté souvislosti či struktury – například shlukování zákazníků podle svých nákupních zvyků. Mezi další přístupy patří například učení posilováním (reinforcement learning), kde se agent učí sérií pokusů a omylů maximalizovat svou odměnu v konkrétním prostředí.
Strojové učení díky rostoucímu výkonu výpočetní techniky a dostupnosti velkého množství dat ovlivňuje širokou škálu oblastí – od medicíny (diagnostika onemocnění, personalizovaná léčba), přes průmysl a finance (prediktivní údržba, obchodování na burze), až po běžný život (filtrace spamu, doporučování filmů). Přestože strojové učení nabízí značné možnosti, nese s sebou i výzvy – například požadavek na kvalitní data, otázky etiky a vysvětlitelnosti modelů, či riziko přejímání předsudků obsažených v datech. Stále se však jedná o mimořádně dynamický vědní obor, který má potenciál dále transformovat moderní společnost.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)