Strojové učení je poddomenou umělé inteligence, která se zabývá vývojem algoritmů a statistických modelů umožňujících počítačům provádět specifické úkoly bez explicitního naprogramování. Jeho základem je schopnost algoritmů učit se z dat, rozpoznávat vzorce a činit rozhodnutí s minimálním lidským zásahem. Strojové učení má širokou škálu aplikací, od rozpoznávání řeči a obrazu, přes přirozené jazykové zpracování, až po doporučovací systémy a prediktivní analýzu.
Existují různé přístupy ke strojovému učení, které lze rozdělit do tří hlavních kategorií: učení s učitelem, učení bez učitele a posilované učení. Učení s učitelem se zaměřuje na vytvoření modelu, který se učí z označených dat, tedy z dat, kde máme známé vstupy a odpovídající výstupy. Typickým příkladem je klasifikace, kdy se model učí rozpoznávat, do které kategorie patří daný vstup. Naproti tomu učení bez učitele se zabývá analýzou neoznačených dat za účelem nalezení skrytých struktur či vzorců, jako je například shlukování dat. Posilované učení je založeno na principu odměn a trestů, kdy agent interaguje s prostředím a učí se optimální strategii prostřednictvím zpětné vazby.
Strojové učení je poháněno vývojem v oblasti výpočetní techniky, dostupností velkých objemů dat a pokrokem ve vývoji algoritmů. Modely strojového učení, jako jsou neuronové sítě, které jsou inspirovány biologickými nervovými systémy, zaznamenaly výrazné pokroky díky metodám hlubokého učení. Tyto modely umožňují zpracovávat obrovské množství dat a jsou schopny se učit složité reprezentace, které lze aplikovat na širokou škálu problémů. Budoucnost strojového učení je slibná, s potenciálem transformovat mnoho oblastí lidského života a práce, ale zároveň vyvolává otázky týkající se etiky, bezpečnosti a dopadu na pracovní trh.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)