Strojové učení je významnou disciplínou v rámci umělé inteligence, zaměřenou na vývoj algoritmů, které dokáží z dat odhalovat vzory, učit se z nich a na základě této zkušenosti provádět rozhodnutí nebo předpovědi. Na rozdíl od klasického programování, kde jsou kroky pro řešení úlohy explicitně zadány, ve strojovém učení počítač získává znalosti sám na základě pozorování vzorových příkladů. Cílem je, aby algoritmus zobecnil znalosti z trénovacích dat a správně reagoval i na dosud neznámé situace.
Metody strojového učení se dělí do několika klíčových kategorií. Učení s učitelem (supervised learning) využívá označená trénovací data, kde každému vstupu odpovídá správný výsledek, například při rozeznávání rukou psaných číslic na základě jejich obrázků. Učení bez učitele (unsupervised learning) naopak pracuje s daty bez známých odpovědí, algoritmus sám hledá souvislosti či skupiny v datech (například shlukování podobných objektů). Třetí základní typ, posilované učení, představuje proces, kdy agent (algoritmus) vykonává postupné akce v prostředí a na základě zpětné vazby (odměny nebo trestu) upravuje svou strategii.
Aplikace strojového učení se rozprostírají napříč mnoha oblastmi moderního světa, například v rozpoznávání řeči a obrazu, v predikci trendů ve financích, v autonomních vozidlech, medicínských diagnózách či personalizovaném doporučování obsahu na internetu. Důležitým předpokladem je dostupnost kvalitních dat, na nichž se algoritmy trénují. Výzvami zůstávají problematika zaujatosti dat, interpretace výsledků a požadavky na výpočetní kapacitu. Přesto strojové učení prokazuje obrovský potenciál v automatizaci rutinních i komplexních činností a stává se nedílnou součástí technologického rozvoje společnosti.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)