Představte si, že učíte počítač rozpoznávat kočky na obrázcích. Místo toho, abyste mu naprogramovali přesná pravidla, jako „má špičaté uši a vousky“, ukážete mu tisíce obrázků koček. Počítač se z těchto příkladů sám naučí, jaké vzory a rysy jsou pro kočku typické. Strojové učení je přesně o tomhle – je to proces, při kterém se počítač učí z dat a zkušeností, aniž by byl explicitně naprogramován pro každý jednotlivý úkol. Díky tomu pak dokáže například doporučovat filmy, překládat texty nebo předpovídat počasí.
Strojové učení (anglicky Machine Learning) je subdisciplína umělé inteligence zabývající se vývojem algoritmů a statistických modelů, které umožňují počítačovým systémům plnit úkoly bez explicitních instrukcí. Systémy se místo toho učí z dat, identifikují v nich vzory a na základě těchto vzorů dělají predikce nebo rozhodnutí. Proces učení je založen na optimalizaci výkonnostních kritérií pomocí trénovacích dat, což vede ke schopnosti zobecňovat poznatky na nová, dosud neviděná data.
Existují tři hlavní kategorie strojového učení. Učení s dohledem (Supervised Learning) využívá označená data, kde je pro každý vstup znám správný výstup; příkladem je klasifikace e-mailů na spam a non-spam. Učení bez dohledu (Unsupervised Learning) pracuje s neoznačenými daty a hledá v nich skryté struktury, jako je například segmentace zákazníků podle nákupního chování. Třetí kategorií je zpětnovazební učení (Reinforcement Learning), kde se systém (agent) učí metodou pokus-omyl interakcí se svým prostředím, za což získává odměny nebo postihy, typicky aplikované v robotice či autonomním řízení.