Strojové učení (anglicky machine learning) je dynamický vědní obor, spadající do oblasti umělé inteligence, který se zabývá tvorbou algoritmů schopných „učit se“ z dat a zlepšovat své výstupy na základě zkušeností bez explicitního naprogramování konkrétních pravidel. Základním principem strojového učení je schopnost systému odhalovat vzory a pravidelnosti v rozsáhlých datech – tzv. trénovacích sadách – a následně tyto znalosti využívat k předpovídání výsledků nebo rozpoznávání neznámých vstupů. Existuje několik hlavních metod strojového učení: učení s učitelem (supervised learning), učení bez učitele (unsupervised learning), a posilované učení (reinforcement learning). Učení s učitelem používá označená data pro vytváření modelů, které dokážou předpovídat výstup pro nové vzory, zatímco učení bez učitele naopak odhaluje skryté struktury v neoznačených datech a slouží například ke shlukování nebo redukci dimenzionality.
Velký rozmach strojového učení nastal v posledních desetiletích díky dostupnosti výkonného hardwaru a rychlému nárůstu objemu digitálně uchovávaných dat. Moderní algoritmy často využívají matematické a statistické metody, například regresní modely, rozhodovací stromy, metodu nejbližších sousedů, nebo v poslední době zejména neuronové sítě, které umožňují hluboké strojové učení (deep learning). Vývoj modelů strojového učení probíhá obvykle ve třech krocích – trénování, ověřování a testování. Nejprve je algoritmus vystaven trénovacím datům, kde se „učí“ řešit konkrétní úlohu, poté je jeho výkon validován na nové datové sadě a nakonec je testován na dosud neviděných datech, aby se ověřila jeho generalizace.
Aplikace strojového učení jsou dnes nesmírně rozsáhlé a zásadně ovlivňují řadu oborů. V běžném životě se s nimi setkáváme například při rozpoznávání hlasu, obrazu a textu (např. překladače, hlasoví asistenti, filtry nevyžádané pošty), v oblasti medicíny (diagnostika nemocí z obrazových dat, personalizovaná medicína), v průmyslu (odhalování poruch, optimalizace výrobních procesů) či ve finančnictví (odhady rizikovosti klientů, detekce podvodů). Strojové učení rovněž umožňuje efektivní analýzu velkých dat, což usnadňuje nejen komerční rozhodování, ale i vědecký výzkum, například při odhalování nových léků nebo předpovídání klimatických trendů. S rostoucím rozvojem těchto metod lze očekávat další hluboké změny ve společnosti a rozšíření jejich využití v dosud nepředstavitelných oblastech.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)