Strojové učení (anglicky machine learning) je disciplína na pomezí informatiky, matematiky a statistiky, která se zabývá vývojem algoritmů a metod umožňujících počítačovým systémům automaticky se zlepšovat na základě zkušeností, tedy tzv. učení z dat. Klíčovým rozdílem oproti tradičnímu programování je, že místo explicitních pokynů pro řešení konkrétního úkolu jsou strojovému učení předkládána data a algoritmy si samy vytvářejí modely sloužící k predikci, rozhodování nebo klasifikaci. Typické scénáře využití zahrnují rozpoznávání obrazů, strojový překlad, detekci podvodů či doporučování obsahu.
Strojové učení se dělí na několik základních typů. Učení s učitelem (supervised learning) využívá data, která obsahují jak vstupy, tak požadované výstupy (například snímek a popisek, co je na obrázku). Cílem je naučit model co nejlépe přiřazovat nové vstupy k odpovídajícím výstupům. Učení bez učitele (unsupervised learning) pracuje s daty, která nejsou opatřena odpovídajícími výstupy, a algoritmy zde například identifikují podobné skupiny či vzorce (shlukování, detekce anomálií). Třetím často zmiňovaným typem je posílené učení (reinforcement learning), kde agent jedná v prostředí a učením na základě zpětné vazby (odměn a trestů) zlepšuje své rozhodování pro dosažení určitého cíle.
Úspěch strojového učení v posledních letech souvisí především s nárůstem dostupnosti dat, výpočetního výkonu a vývojem nových modelů, zejména hlubokých neuronových sítí (deep learningu), které umožnily významné pokroky například v rozpoznávání obrazu, hlasu či automatickém generování textu. Strojové učení tak dnes tvoří základ moderní umělé inteligence a nachází praktické aplikace v průmyslu, zdravotnictví, dopravě či zábavě. Přesto však zůstávají výzvy, například vysvětlitelnost modelů nebo riziko šíření zkreslení, a je tedy předmětem intenzivního vědeckého výzkumu i etických diskusí.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)