Strojové učení (anglicky machine learning) je rychle se rozvíjející vědecká disciplína na pomezí informatiky, matematiky a statistiky, která se zabývá vývojem algoritmů a metod umožňujících počítačovým systémům učit se na základě dat a zkušeností bez explicitního naprogramování konkrétních pravidel. Základním principem strojového učení je schopnost systému automaticky zlepšovat své výkony v určité úloze tím, že využívá vzory skryté ve velkých množstvích dat. Tímto způsobem jsou stroje schopné predikovat výstupy, klasifikovat objekty, rozpoznávat řeč či obrazy anebo nacházet anomálie bez nutnosti uvádění přesných instrukcí člověkem.
Strojové učení se dělí podle způsobu učení na tři hlavní kategorie: učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a posilované učení (reinforcement learning). Učení s učitelem předpokládá existenci trénovacích dat, která obsahují vstupy a k nim přiřazené správné výstupy, a cílem algoritmu je najít funkci nebo model, který umí tyto vstupy správně mapovat na výstupy i u nových dat. Typicky sem patří úlohy klasifikace (zařazení do kategorií) nebo regrese (odhad spojité hodnoty). Učení bez učitele naproti tomu nemá k dispozici cílové výstupy; algoritmy samy hledají možné vzory či struktury v datech, například pomocí shlukování (clustering) nebo redukce dimenzionality. Posilované učení pak modeluje situaci, kdy se agent (algoritmus) učí správné strategii na základě interakce s prostředím a zjišťováním odměn nebo trestů za své rozhodnutí.
Ke strojovému učení patří řada různých metod a algoritmů, jako jsou rozhodovací stromy, podpora vektorových strojů (SVM), k nejbližším sousedům (k-NN), naivní Bayesovské klasifikátory, neuronové sítě a jejich hlubší varianta – hluboké učení (deep learning). Právě hluboké neuronové sítě v poslední dekádě přinesly průlom například v rozpoznávání obrazů, překladech či generování přirozeného jazyka. Vývoj strojového učení je úzce spojen s dostupností rozsáhlých datových souborů (tzv. big data), výkonem výpočetní techniky a inovacemi v oblasti optimalizačních metod. Strojové učení tak dnes prostupuje celou řadu oblastí lidské činnosti, od zdravotnictví přes finance až po autonomní řízení vozidel, a představuje klíčovou součást současné i budoucí umělé inteligence.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)