Strojové učení je oborem umělé inteligence, který se zabývá konstrukcí algoritmů schopných automaticky se zlepšovat na základě zkušeností. Zjednodušeně řečeno, jde o to, aby počítačové programy dokázaly nalézat vzory a pravidelnosti v datech a na jejich základě předpovídat nové výsledky nebo rozhodovat. Strojové učení nachází uplatnění v celé řadě oblastí – od rozpoznávání hlasu a obrazu, přes doporučování produktů na e-shopech, až po detekce podvodů ve finančních systémech či analýzu medicínských dat.
Metodologie strojového učení lze rozdělit do tří hlavních kategorií: učení s učitelem, učení bez učitele a učení posilováním. Při učení s učitelem má algoritmus k dispozici vstupní data a správné výstupy (tzv. anotované či označené příklady). Cílem je naučit model předpovídat výstupy i u nových, dosud neznámých dat. Typickým příkladem je klasifikace obrázků nebo predikce cen. Učení bez učitele pracuje s neoznačenými daty a snaží se v nich objevit skryté struktury, například při shlukování zákazníků na základě jejich nákupního chování. Učení posilováním využívá principu odměn a trestů, kde se agent (program) učí optimalizovat své chování sérií pokusů a omylů – příkladem budiž autonomní řízení či hraní her.
Základním stavebním kamenem strojového učení jsou tzv. modely, které implementují různé algoritmy, jako jsou rozhodovací stromy, neuronové sítě nebo metody nejbližších sousedů. Kvalita modelu závisí na zvoleném algoritmu, použitých datech a způsobu, jakým je model natrénován a validován. V praxi je nezbytné dbát na to, aby model nebyl „přeučen“ (overfitted) – tedy aby se nenaučil nazpaměť detaily trénovacích dat, které nejsou obecně platné. Strojové učení se díky rostoucí výpočetní síle a dostupnosti velkých datových sad stává stále mocnějším nástrojem nejen v IT, ale i v průmyslu, vědě a dalších oblastech lidské činnosti.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)