Strojové učení (machine learning) je oborem umělé inteligence, který se zabývá vývojem algoritmů a metod umožňujících počítačům se automaticky učit na základě dat bez explicitního naprogramování přesných pravidel. Základní úloha strojového učení spočívá v nalezení vzorců či souvislostí v trénovacích datech, které lze následně využít pro predikci nebo klasifikaci nových neznámých případů. Tento proces probíhá na základě zkušeností získaných z předchozích dat a nevyžaduje od inženýrů podrobné znalosti všech pravidel popisujících konkrétní problém. Strojové učení má mnoho využití: od rozpoznávání obrazů a řeči, přes automatické překlady, doporučovací systémy, detekci podvodů až po lékařskou diagnostiku.
Metody strojového učení lze rozdělit do několika hlavních kategorií. Nejběžnější jsou učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a posilované učení (reinforcement learning). Učení s učitelem zahrnuje trénování modelu na datech, která jsou označená správnými výstupy – například při rozeznávání ručně psaných číslic model dostává obrázky číslic spolu se správnou číslicí jako odpovědí. Typickými příklady metod jsou regresní analýza a rozhodovací stromy. Učení bez učitele naproti tomu modelu poskytuje pouze neoznačená data a algoritmus se snaží najít skrytou strukturu či skupiny – například shlukování (clustering) nebo metoda hlavních komponent (PCA). Posilované učení je metoda, ve které agent v rámci prostředí získává odměny nebo tresty za své akce a postupně optimalizuje svou strategii na základě odezvy z prostředí; tato metoda je obzvlášť vhodná pro řízení či hraní her.
Výběr konkrétní metody strojového učení závisí na charakteru úlohy a dostupných datech. V poslední době zaznamenaly velký pokrok zejména hluboké neuronové sítě (deep learning), které umožňují efektivně zpracovávat složitá data, jako jsou obrazy, zvuky nebo sekvence textu. Kromě toho výzkum zahrnuje i kombinace různých metod, optimalizaci modelů a zvyšování interpretovatelnosti výsledků. Vývoj nových metod strojového učení otevírá stále širší možnosti jejich aplikací napříč mnoha vědními i technickými obory a zároveň klade důraz na otázky jako je bezpečnost, transparentnost a etické aspekty využívání strojového učení v praxi.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)