Strojové učení je odvětví umělé inteligence, které se zabývá vývojem algoritmů a metod umožňujících počítačovým systémům zlepšovat se v řešení konkrétních úloh na základě zkušeností (dat), aniž by byly explicitně naprogramovány pro každý možný scénář. Základní princip spočívá v tom, že systém analyzuje data, hledá v nich vzory a na základě těchto znalostí následně předpovídá hodnoty nebo rozhoduje o kategoriích nových, dosud neviděných dat. Hlavními typy strojového učení jsou učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a učení posilováním (reinforcement learning).
U učení s učitelem systém dostává sadu trénovacích příkladů, kde každý vstup je spárován se správným řešením (výstupem). Model se učí vytvářet spojení mezi vstupy a výstupy, aby mohl následně předpovídat správné výstupy pro nová, neznámá data. Typickými příklady jsou rozpoznávání rukopisu či klasifikace e-mailů na spam a ne-spam. Naproti tomu učení bez učitele nemá k dispozici správná řešení, ale snaží se v datech najít skryté struktury, například fragmentaci dat do podobných skupin (clustering) či zjišťování hlavních charakteristik (dimenzionalita). Učení posilováním je založeno na získávání zkušeností prostřednictvím pokusů a omylů, kde agent na základě zpětné vazby maximalizuje svou odměnu.
Strojové učení nachází uplatnění v celé řadě oborů – od lékařské diagnostiky, přes doporučovací systémy v elektronickém obchodě, až po autonomní vozidla. Důležitou součástí moderního strojového učení jsou neuronové sítě a hluboké učení (deep learning), které se inspirují strukturou a činnosti biologického mozku a umožňují řešit velice složité úlohy, například rozpoznávání obrazu či automatický překlad textů. Ačkoliv je strojové učení silným nástrojem, čelí také řadě výzev, mezi které patří potřeba velkého množství dat, vysvětlitelnost rozhodnutí modelu a otázky etiky a bezpečnosti při jeho nasazení do praxe.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)