Strojové učení

Rozbalit box

Obsah boxu

Šablona:Infobox Umělá inteligence Strojové učení (anglicky Machine Learning, zkráceně ML) je podkategorie umělé inteligence, která se zabývá vývojem algoritmů a modelů, jež umožňují počítačovým systémům "učit se" z dat a na základě tohoto učení provádět predikce, rozhodnutí nebo automatizovat úlohy, aniž by byly explicitně naprogramovány pro každý konkrétní scénář. Místo pevných pravidel se modely strojového učení zlepšují s rostoucím množstvím dat, na kterých jsou trénovány.

Základní princip

Jádrem strojového učení je myšlenka, že systém může identifikovat vzorce a vztahy v datech a poté je aplikovat na nová, neviděná data. Tento proces obvykle zahrnuje následující kroky:

1. Sběr dat: Shromáždění relevantního datového souboru (např. obrázky, text, čísla, zvukové záznamy). 2. Předzpracování dat: Čištění, transformace a normalizace dat, aby byla vhodná pro učení. 3. Výběr modelu: Zvolení vhodného algoritmu (např. neuronové sítě, rozhodovací stromy, regrese). 4. Trénink modelu: Algoritmus se "učí" z tréninkových dat, přičemž upravuje své vnitřní parametry tak, aby minimalizoval chyby nebo maximalizoval přesnost. 5. Vyhodnocení modelu: Testování výkonu trénovaného modelu na nových, neviděných datech, aby se zjistilo, jak dobře zobecňuje. 6. Nasazení: Použití trénovaného modelu pro řešení reálných problémů.

Paradigma strojového učení

Strojové učení se dělí na několik hlavních paradigmat podle způsobu, jakým se model učí:

Učení s učitelem (Supervised Learning):

 ** Nejběžnější typ. Model se učí z označených dat, kde každý vstupní vzorek má přiřazený správný výstup (label).
 ** Cíl: Naučit se mapovat vstup na správný výstup.
 ** Příklady: Klasifikace (např. rozpoznávání spamových e-mailů, diagnostika nemocí), regrese (např. predikce cen domů, předpověď počasí).
 ** Algoritmy: Podpůrné vektorové stroje (SVM), Lineární regrese, Logistická regrese, Neuronové sítě.

Učení bez učitele (Unsupervised Learning):

 ** Model se učí z neoznačených dat a snaží se objevit skryté vzorce, struktury nebo vztahy v datech.
 ** Cíl: Pochopit strukturu dat, redukce dimenzionality.
 ** Příklady: Klastrování (např. segmentace zákazníků, seskupování dokumentů), asociační pravidla (např. analýza nákupního košíku).
 ** Algoritmy: K-means, Hierarchické shlukování, Analýza hlavních komponent (PCA).

Učení s posilováním (Reinforcement Learning):

 ** Agent se učí interagovat s prostředím a dostává odměnu nebo trest za svá akce. Cílem je maximalizovat celkovou odměnu v průběhu času.
 ** Cíl: Naučit se optimální strategii pro rozhodování v dynamickém prostředí.
 ** Příklady: Autonomní řízení, hraní her (např. AlphaGo), robotika.
 ** Algoritmy: Q-learning, SARSA.

Poloautomatické učení (Semi-supervised Learning): Kombinuje malé množství označených dat s velkým množstvím neoznačených dat.

Příbuzné obory a technologie

Hluboké učení (Deep Learning): Je specializovaná forma strojového učení, která využívá neuronové sítě s mnoha vrstvami (hluboké sítě) k učení komplexních reprezentací dat. Je zodpovědné za největší průlomy v AI v posledním desetiletí (např. rozpoznávání obrazu, zpracování přirozeného jazyka, generativní AI).
Datová věda (Data Science): Širší obor, který zahrnuje strojové učení, ale také sběr, analýzu, vizualizaci a interpretaci dat.
Statistika: Poskytuje matematické základy pro strojové učení.

Aplikace

Strojové učení se stalo nedílnou součástí moderního světa a najdeme ho v široké škále aplikací:

Rozpoznávání obrazu a Počítačové vidění: Detekce objektů, rozpoznávání tváří, lékařská diagnostika z obrazových dat.
Zpracování přirozeného jazyka (NLP): Překlad jazyků, analýza sentimentu, chatboty, rozpoznávání řeči, velké jazykové modely (LLMs).
Doporučovací systémy: Suggestování produktů na e-commerce webech (např. Amazon), filmů (Netflix), hudby (Spotify).
Autonomní řízení: Rozpoznávání dopravních značek, chodců, plánování trasy.
Medicína: Objevování léků, diagnostika nemocí, personalizovaná medicína.
Finance: Detekce podvodů, algoritmické obchodování, hodnocení úvěruschopnosti.
Personalizace: Adaptivní uživatelská rozhraní, cílená reklama.

Výzvy a etické otázky

Přes obrovský potenciál se strojové učení potýká i s výzvami:

Kvalita a dostupnost dat: Modely jsou jen tak dobré jako data, na kterých jsou trénovány. Špatná data vedou ke špatným výsledkům.
Interpretovatelnost: Zejména u komplexních hlubokých neuronových sítí je obtížné pochopit, proč model dospěl k určitému rozhodnutí (tzv. "black box" problém).
Předsudky a diskriminace: Pokud tréninková data obsahují předsudky, model se je naučí a může je replikovat nebo zesílit ve svých výstupech, což vede k nespravedlivým nebo diskriminačním výsledkům.
Bezpečnost a odolnost: Modely mohou být zranitelné vůči adversariálním útokům, kdy malé změny ve vstupu vedou k chybným výstupům.
Etické otázky: Jak zodpovědně nasazovat AI systémy, regulace, dopad na pracovní místa.

Strojové učení pro laiky

Představte si, že chcete naučit počítač, aby poznával psy na fotkách. Tradičně byste museli napsat přesný program, který by obsahoval spoustu pravidel: "Pokud má zvíře čtyři nohy, ocas, čumák a štěká, je to pes." Jenže co když pes sedí, nebo je jen část jeho těla vidět? Bylo by to strašně složité napsat pravidla pro všechny možné situace.

A právě tady přichází na řadu strojové učení. Místo, abyste počítači říkali přesně co dělat, ukážete mu spoustu příkladů. 1. Dáte mu hromadu fotek: Některé s psy (ty označíte jako "pes"), jiné bez nich (ty označíte jako "ne-pes"). 2. Počítač se učí sám: Počítač pak "studuje" tyto fotky a sám si najde vzorce a rysy, které psy odlišují od ostatních věcí. Je to jako by se sám "podíval" na tisíce fotek a řekl si: "Aha, tohle je typické pro psa." 3. A pak poznává nové: Když mu pak ukážete úplně novou fotku, kterou nikdy předtím neviděl, on se pokusí podle vzorců, které se naučil, rozpoznat, jestli je na ní pes nebo ne. A čím více fotek jste mu ukázali na začátku, tím lépe to pak zvládne.

Takže strojové učení je vlastně způsob, jak naučit počítač plnit úkoly tím, že mu dáte data a necháte ho, aby se z nich učil, místo abyste mu řekli každý detail. Je to základ pro spoustu věcí, které dnes používáme – třeba doporučování filmů, rozpoznávání hlasu v telefonu nebo automatické překlady.

Viz také

Odkazy

Britannica – Machine learning (anglicky)
Google Developers – What is Machine Learning? (anglicky)
IBM Blog – Machine Learning vs. Deep Learning (anglicky)
Wikiskripta – Strojové učení (česky)