Strojové učení je interdisciplinární oblast informatiky, která umožňuje počítačům a systémům automaticky se učit a zlepšovat své chování na základě zkušeností bez explicitního naprogramování všech pravidel. Jádrem strojového učení je tvorba algoritmů, které dokáží analyzovat data, identifikovat v nich vzorce a na jejich základě dělat rozhodnutí či předpovědi. Schopnost systémů učit se z dat jim umožňuje čelit novým a komplexním problémům, které by bylo obtížné řešit klasickými programovacími metodami.
Strojové učení se obvykle dělí do tří hlavních kategorií. První z nich je učení s učitelem (supervised learning), kde má algoritmus k dispozici trénovací data obsahující vstupy a požadované výstupy, a jeho úkolem je vytvořit model schopný generalizovat a předpovídat výstupy i pro nová data. Druhým typem je učení bez učitele (unsupervised learning), kde model pracuje s daty bez konkrétních výstupních hodnot a jeho úkolem je identifikovat v datech skryté struktury či vzory, například pomocí shlukování nebo snížení rozměrnosti. Třetím typem je posilované učení (reinforcement learning), kde se model učí na základě zpětné vazby v podobě odměn a trestů v dynamickém prostředí.
Praktické využití strojového učení je dnes velmi široké – od rozpoznávání obrazů a hlasu, přes automatický překlad jazyků, predikci budoucího vývoje trhů, analýzu medicínských dat až po autonomní řízení vozidel. Nasazení strojového učení však přináší také řadu výzev, například potřebu kvalitních a reprezentativních dat, otázky etiky, interpretovatelnosti výsledků či problém s přetrénováním modelu na trénovacích datech (overfitting). Díky rostoucímu výkonu výpočetní techniky a dostupnosti rozsáhlých datových souborů se význam a dopad strojového učení v moderní společnosti neustále zvyšuje a stává se klíčovou technologií současné digitální éry.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)