Strojové učení je klíčovým oborem umělé inteligence, který se zabývá vývojem algoritmů a modelů umožňujících počítačům učit se z dat a následně vykonávat úlohy bez explicitního naprogramování pravidel. Myšlenka strojového učení vychází z předpokladu, že vzory a zákonitosti obsažené ve velkém množství dat lze využít k předvídání chování nebo klasifikaci nových, dosud neviděných vstupů. Typickými příklady aplikací jsou rozpoznávání obrazu a řeči, predikce chování zákazníků, autonomní řízení či detekce finančních podvodů.
Existuje několik hlavních přístupů ke strojovému učení. Prvním z nich je učení s učitelem (supervised learning), kde jsou vstupní data doplněna o správné výstupy (tzv. „labely“) a cílem modelu je naučit se mapování mezi vstupy a výstupy. Klasickými algoritmy jsou například lineární regrese, logistická regrese nebo neuronové sítě. Dalším přístupem je učení bez učitele (unsupervised learning), které pracuje pouze s neoznačenými daty; model zde odhaluje skryté struktury ve vstupních datech, např. shlukování (k-means), dekompozice nebo asociační pravidla. Specifickým druhem je také učení posilováním (reinforcement learning), kdy model interaguje s prostředím a na základě zpětné vazby si osvojí strategii maximalizující zisk nebo minimalizující ztrátu.
Klíčovým aspektem strojového učení je schopnost generalizace, tedy naučit se pravidla z tréninkových dat tak, aby model správně reagoval i na nová, neviděná data. K tomu přispívají metody jako rozdělení dat na trénovací a validační sady, křížová validace a regularizace, které brání přeučení (overfitting). S rostoucími možnostmi výpočetní techniky a dostupnosti velkých datových souborů dochází stále k rychlému rozvoji v této oblasti, což vede k masivnímu rozšíření strojového učení v průmyslu i vědě a podpoře inovací v mnoha oblastech lidského života.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)