Strojové učení představuje významnou oblast umělé inteligence, zabývající se návrhem a vývojem algoritmů, které umožňují počítačovým systémům samostatně se učit na základě dat, aniž by musely být explicitně naprogramovány ke každému úkolu. Základní myšlenkou je schopnost systému generalizovat — tedy nacházet vzory a vztahy v trénovacích datech a aplikovat tyto znalosti na nová, dosud neznámá data. Strojové učení tradičně rozdělujeme na tři hlavní kategorie: učení s učitelem (supervised learning), kde jsou modely trénovány na základě vstupních dat a odpovídajících správných výstupů; učení bez učitele (unsupervised learning), které hledá skryté souvislosti a struktury v datech bez předem daných výstupů; a posilované učení (reinforcement learning), kde se agent učí skrze interakci s prostředím na základě zpětné vazby ve formě odměn či trestů.
Základem strojového učení jsou algoritmy a modely, které lze trénovat na velkých objemech dat. Mezi nejběžnější patří lineární a logistická regrese, rozhodovací stromy, neuronové sítě, shlukování (clustering) nebo metody typu k-nejbližších sousedů. Proces strojového učení obvykle zahrnuje sběr a předzpracování dat, volbu vhodného algoritmu, trénování modelu, ověření jeho přesnosti na oddělené testovací množině a případnou optimalizaci. K úspěšnému nasazení strojového učení je klíčová správná datová reprezentace (feature engineering) a volba metrik pro vyhodnocení výkonnosti modelu jako je například přesnost, F1-skóre nebo ROC křivka.
Aplikace strojového učení dnes pronikají do mnoha oblastí lidské činnosti. Velmi rozšířené je v rozpoznávání obrazu a řeči, strojovém překladu, doporučovacích systémech (například v e-commerce), autonomních vozidlech, prediktivní údržbě ve výrobě nebo v medicíně při diagnostice nemocí na základě obrazových dat. Strojové učení umožňuje efektivně analyzovat velká množství dat a odhalovat skryté vzory, což je základním předpokladem pro rozšiřování moderních technologií a automatizace. S rostoucím výkonem výpočetní techniky a dostupností dat lze očekávat, že význam strojového učení bude v blízké budoucnosti dále exponenciálně narůstat a ovlivňovat další průmyslová odvětví i běžný život.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)