Strojové učení (Machine Learning) je obor umělé inteligence, který se zabývá vývojem algoritmů a metod umožňujících počítačovým systémům učit se z dat. Místo explicitního programování těchto systémů k řešení úloh je jim umožněno objevovat vzory a souvislosti přímo z dostupných informací. Základním principem je nalezení funkční závislosti mezi vstupními a výstupními daty, kterou lze dále využít pro předpovědi, klasifikace či rozhodování. Strojové učení je díky prudkému rozvoji výpočetní techniky a dostupnosti velkých datových souborů dnes klíčovou technologií v řadě oblastí, včetně rozpoznávání obrazu, zpracování přirozeného jazyka nebo finančních analýz.
Metody strojového učení lze rozdělit do tří hlavních kategorií: učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a učení posilováním (reinforcement learning). Učení s učitelem spočívá v trénování modelu na předem označených datech, kde je každému vstupu přiřazena správná odpověď. Takový model se například využívá při rozpoznávání rukopisu nebo v predikci cen. Učení bez učitele naproti tomu pracuje s neoznačenými daty a cílem je nalezení struktur či shluků, příkladem je seskupování zákazníků podle nákupního chování. Učení posilováním představuje proces, kdy agent získává zpětnou vazbu ve formě odměn a trestů na základě svých akcí v určitém prostředí, což je princip běžně využívaný například při vývoji autonomních systémů nebo v robotice.
Úspěch strojového učení do značné míry závisí na kvalitě vstupních dat, volbě vhodného algoritmu a správném nastavení modelu. Mezi často používané algoritmy patří například rozhodovací stromy, neuronové sítě, podpůrné vektorové stroje (SVM) či metody k nejbližších sousedů (k-NN). V posledních letech získávají na významu hluboké neuronové sítě (deep learning), které umožňují řešit velmi složité úlohy díky vícevrstevným strukturám a automatickému hledání relevantních příznaků z dat. Přestože strojové učení přináší řadu přelomových aplikací a inovací, jeho využití je spojeno i s etickými otázkami, například co se týče interpretovatelnosti modelů, ochrany osobních údajů či možných předsudků v datech. Vývoj tohoto oboru tak zůstává na hranici vědy, techniky, ale i společenské odpovědnosti.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)