Strojové učení (anglicky Machine Learning) je subdisciplína umělé inteligence, která se zabývá vývojem algoritmů a statistických modelů, které umožňují počítačům „učit se“ z dat, aniž by byly explicitně naprogramovány. Hlavním cílem strojového učení je nalézt vzory a vztahy v datech, které mohou být následně využity k predikci nebo klasifikaci nových, dříve neznámých dat. Jedním z klíčových rysů strojového učení je schopnost adaptace a zlepšování na základě zkušeností, což znamená, že modely mohou být trénovány na rozsáhlých datech a postupem času se stávají přesnějšími a efektivnějšími.
Strojové učení se dělí do několika hlavních kategorií, přičemž nejvýznamnějšími jsou učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a zesilované učení (reinforcement learning). Učení s učitelem využívá označených dat, což znamená, že každému vstupu odpovídá známý výstup, a model se učí mapovat vstupy na výstupy. Příkladem může být klasifikace e-mailů na spam a ne-spam. Naopak učení bez učitele pracuje s neoznačenými daty a cílem je nalézt skryté vzory nebo skupiny v datech, jako je tomu u shlukování (clustering) nebo snižování rozměrnosti. Zesilované učení je založeno na systému odměn a trestů, kde agent (model) interaguje s prostředím a učí se optimální chování na základě zpětné vazby.
Strojové učení má široké spektrum aplikací v různých oblastech lidské činnosti. V průmyslu je využíváno pro prediktivní údržbu strojů a zařízení, v medicíně pro diagnostiku nemocí na základě obrazových dat nebo genetických informací, a v bankovnictví pro detekci podvodů a hodnocení rizik. Navíc se strojové učení stává klíčovou technologií v oblasti autonomních vozidel, kde je využíváno pro rozpoznávání objektů a plánování trasy. S rozvojem výpočetního výkonu a dostupností velkých dat se strojové učení stává stále více dostupným a jeho význam v moderním světě nadále roste.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)