Strojové učení je oblastí umělé inteligence, která se zaměřuje na vytváření algoritmů a technik, umožňujících počítačovým systémům učit se z dat a zlepšovat svou výkonnost s přibývajícími zkušenostmi. Na rozdíl od tradičního programování, kde jsou explicitně definována pravidla a instrukce, strojové učení umožňuje počítačům samostatně vytvářet modely na základě vzorů a vztahů nalezených v datech. Existují tři hlavní typy strojového učení: učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a zesílené učení (reinforcement learning).
Učení s učitelem je metoda, při níž je model trénován na označených datech, což znamená, že každá vstupní data mají přiřazené správné výstupy. Cílem je, aby model dokázal správně předpovídat výstupy pro nová, dosud neviděná data. Typickými příklady jsou klasifikace, kde model přiřazuje vstupním datům kategorie (např. rozpoznávání obrazu), a regrese, kde model předpovídá numerické hodnoty (např. predikce cen nemovitostí). Naproti tomu učení bez učitele pracuje s neoznačenými daty, kde systém hledá skryté vzory a struktury v datech. Příklady zahrnují shlukování (clustering), kde se data dělí do přirozených skupin, a asociační pravidla, která hledají vztahy mezi proměnnými.
Zesílené učení je specifickým typem strojového učení, který se zaměřuje na agentův interaktivní proces učení pomocí pokusů a omylů ve dynamickém prostředí. Agent se učí tím, že provádí akce, které ovlivňují stav prostředí, a na základě zpětné vazby (odměn nebo penalizací) přizpůsobuje svou strategii tak, aby maximalizoval celkovou odměnu. Tento přístup se často používá ve hrách, robotice a autonomních systémech. Strojové učení jako celek se rychle rozvíjí a nachází uplatnění v mnoha oblastech, od zdravotnictví přes finance až po marketing, čímž přispívá k automatizaci a zefektivnění různých procesů v moderní společnosti.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)