Strojové učení, v angličtině známé jako Machine Learning, je interdisciplinární obor, který se nachází na pomezí informatiky, statistiky a umělé inteligence. Je to metoda umožňující počítačovým systémům získávat znalosti nebo vyvíjet chování založené na empirických datech, jako jsou záznamy z databází, texty, obrazy, videa nebo senzorová data. Základním předpokladem strojového učení je, že systémy mohou naučit se identifikovat vzory a rozhodovací pravidla z dat a na základě těchto pravidel pak automatizovaně reagovat na nové, dosud neviděné situace.
V oblasti strojového učení rozlišujeme několik základních přístupů, mezi které patří učení s učitelem (supervised learning), učení bez učitele (unsupervised learning), a zesilující učení (reinforcement learning). Učení s učitelem spočívá v tom, že model je trénován na datech, která již obsahují odpovědi (tzv. štítky nebo labely), a úkolem modelu je naučit se přiřazovat tyto štítky novým datům. Učení bez učitele pracuje s daty, která nejsou štítkována, a model se snaží nalézt ve datech skryté struktury nebo vzory na základě vnitřních charakteristik dat. Zesilující učení je proces, kde model interaguje s prostředím, získává zpětnou vazbu ve formě odměn nebo trestů a snaží se své chování optimalizovat tak, aby maximalizoval kumulativní odměnu.
Strojové učení nachází využití v širokém spektru aplikací, od automatizace a optimalizace přes rozpoznávání obrazu a zpracování přirozeného jazyka až po autonomní vozidla a personalizovanou medicínu. Velký význam má také v oblasti big data a analytiky, kde pomáhá odhalovat užitečné informace skryté v rozsáhlých a složitých datech. S postupujícím vývojem a zdokonalováním algoritmů se očekává jeho ještě větší proniknutí do průmyslu, vědy, zdravotnictví a mnoha dalších odvětví. Právě schopnost učit se a adaptovat se na nové podmínky dělá strojové učení jednou z klíčových technologií současnosti a budoucnosti.
Mgr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)