Strojové učení (Machine Learning) představuje klíčovou oblast současné informatiky a umělé inteligence, jejímž hlavním cílem je umožnit počítačům automaticky se učit z dat a zlepšovat své výkony bez explicitního naprogramování. Jádrem strojového učení je vývoj algoritmů a statistických modelů, které dokáží rozpoznávat vzory a rozhodovat se na základě předchozích zkušeností. Základní přístup spočívá ve „vzdělávání se“ na trénovacích datech, tedy v hledání takových vztahů a pravidel, které lze následně aplikovat i na nová, dosud neznámá data. Strojové učení výrazně rozšiřuje možnosti počítačů nejen v analytických úlohách, ale také v oblastech, kde dochází k neustálým změnám, velkému objemu dat či složité variabilitě.
Mezi hlavní metody strojového učení patří regresní analýza, klasifikace, shluková analýza a neuronové sítě. Regresní analýza se uplatňuje při předpovídání spojitých (číselných) hodnot na základě nezávislých proměnných, například při odhadu cen nemovitostí nebo předpovědi počasí. Klasifikace slouží k přiřazování objektů do předem definovaných kategorií, jak tomu bývá například u rozpoznávání e-mailů jako spam nebo ne-spam. Shluková analýza (clustering) umožňuje rozdělit soubor dat do skupin dle podobnosti, což se využívá například v segmentaci zákazníků v marketingu. Neuronové sítě představují inspiraci biologickými mozky a jsou základním stavebním kamenem hlubokého učení (deep learning), které dosahuje špičkových výsledků v úlohách zpracování obrazu, řeči nebo přirozeného jazyka.
Praktické aplikace strojového učení jsou velmi rozmanité a dynamicky se rozvíjejí s dalším pokrokem v této oblasti. Jedním z významných použití je zpracování přirozeného jazyka (Natural Language Processing; NLP), kde algoritmy umožňují například automatický překlad textu, generování odpovědí v konverzačních asistentech nebo analýzu sentimentu v sociálních sítích. V oblasti počítačového vidění (Computer Vision) stroje dokáží identifikovat objekty na fotografiích, rozpoznávat tváře nebo analyzovat lékařské snímky. Doporučovací systémy jsou dalším příkladem praktického využití – například v e-shopech, při doporučování filmů či hudby uživatelům. Vzdělávací kurzy zaměřené na strojové učení tedy nabízí nejen teoretické základy metod, ale také bohaté možnosti praktických cvičení na reálných datech, často za použití moderních programovacích knihoven a platforem. Znalost strojového učení tak patří mezi klíčové dovednosti současného i budoucího digitálního světa.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)