Strojové učení a hluboké učení – v čem se liší od umělé inteligence a jak se stroje učí z dat

Pojmy umělá inteligence, strojové učení a hluboké učení se v médiích často pletou nebo používají jako synonyma. Přitom jde o tři různé úrovně, které do sebe zapadají jako ruské panenky: umělá inteligence (AI) je široký obor, strojové učení (ML) je jeho důležitou částí a hluboké učení (deep learning) je zvláštním typem strojového učení založeným na vícevrstvých neuronových sítích. Právě hluboké učení stojí za většinou toho, co dnes vnímáme jako „AI“: rozpoznávání obrazu, překlad, chatboty či generování obrázků. Pochopit rozdíl pomáhá i v praxi: vědět, co modely umí, kde se mýlí a proč potřebují obrovská množství dat.

V tomto článku vysvětlujeme, jak se pojmy liší, jak se stroj učí z dat, jaké jsou tři hlavní typy učení (s učitelem, bez učitele, posilované), co přidává hluboké učení, kde se které přístupy používají a jaká mají omezení. Čerpáme z výkladů IBM: AI vs. machine learning vs. deep learning vs. neural networks, IBM: Machine learning a IBM: Deep learning, Microsoft Azure: Umělá inteligence vs. strojové učení, Google: Machine Learning Crash Course a Wikipedie (strojové učení, hluboké učení). Definice se u různých autorů mírně liší, ale hierarchie pojmů je ustálená.

Další články najdete v kategorii Základy a principy AI, například Co to je umělá inteligence (AI), Jak funguje umělá inteligence a Proč AI halucinuje.

Aktualizováno: listopad 2026.

Tři úrovně: AI, strojové učení a hluboké učení

• Umělá inteligence je nejširší pojem: obor zabývající se systémy, které provádějí úlohy vyžadující inteligenci: rozpoznávání, rozhodování, plánování, jazyk. Zahrnuje i starší přístupy založené na ručně psaných pravidlech (expertní systémy, šachové programy) a vyhledávacích algoritmech.
• Strojové učení je část AI, kde systém neprogramujeme pravidlo po pravidle, ale necháme jej odvodit vzorce z dat. Místo „když je e-mail s tímto slovem, je to spam“ ukážeme tisíce spamů a běžných e-mailů a model se naučí rozlišovat.
• Hluboké učení je podmnožina strojového učení používající umělé neuronové sítě s mnoha vrstvami. Díky nim se model učí sám vytvářet užitečné rysy z surových dat (pixely, zvuk, text), místo aby je navrhoval člověk.
• Neuronová síť je matematický model inspirovaný (velmi volně) mozkem: vrstvy jednoduchých jednotek, mezi nimiž jsou nastavitelné váhy. „Hluboká“ znamená, že má mnoho vrstev.
• Velké jazykové modely (LLM), jako jsou ty v chatbotech, jsou příkladem hlubokého učení; viz Jak funguje umělá inteligence.

Jednoduchý obraz: AI je cíl, strojové učení je jedna z cest, hluboké učení je dnes nejúspěšnější způsob, jak tuto cestu jít. Ne každá AI je strojové učení (pravidlové systémy) a ne každé strojové učení je hluboké (rozhodovací stromy, lineární regrese).

Orientační schéma strojového učení – vlastní infografika

Jak se stroj učí: princip

Každé strojové učení má podobnou strukturu:

1. Data: příklady, na kterých se model učí (obrázky, texty, tabulky, měření).
2. Model: matematická funkce s mnoha nastavitelnými parametry (u velkých sítí miliardy).
3. Chybová funkce: číslo, které měří, jak moc se model mýlí.
4. Optimalizace: postup, který parametry postupně upravuje, aby chyba klesala (u neuronových sítí typicky metoda zpětného šíření chyby a gradientní sestup).
5. Ověření: kontrola na datech, která model při učení neviděl. Pokud funguje jen na tréninkových datech, je přeučený (overfitting) a v praxi selže.

Důležité poučení: model je tak dobrý, jak dobrá jsou data a zadání. Zkreslená data vedou ke zkresleným výsledkům a model neví, co nevidí. Viz Jak se trénuje AI model a Rizika AI: bias a diskriminace.

Tři hlavní typy učení

1. Učení s učitelem (supervised learning): data mají štítky (správné odpovědi). Model se učí předpovídat výstup ze vstupu.

• *Klasifikace*: je na fotce kočka či pes? Je e-mail spam? Je transakce podezřelá?
• *Regrese*: jaká bude cena bytu, spotřeba energie či teplota?
• Vyžaduje označená data, jejichž příprava je drahá.

2. Učení bez učitele (unsupervised learning): data nemají štítky; model hledá strukturu.

• *Shlukování*: seskupení zákazníků podle chování.
• *Detekce anomálií*: neobvyklé vzorce v provozu sítě.
• *Snižování dimenzí*, vizualizace.

3. Posilované učení (reinforcement learning): agent jedná v prostředí, dostává odměny či tresty a učí se strategii metodou pokus–omyl. Používá se u her, robotiky a částečně při dolaďování jazykových modelů podle lidských preferencí. Mezi nimi: *samoučení (self-supervised)*: model si štítky vytvoří z dat sám (například předpovídá další slovo v textu), což je klíčové pro velké jazykové modely; a *částečně učení s učitelem* (málo štítků, hodně neoznačených dat).

Co přidává hluboké učení

Klasické strojové učení často potřebuje, aby lidé navrhli rysy (například „průměrná cena za metr“, „počet slov“). Hluboké učení se rysy učí samo:

• Obraz: první vrstvy rozpoznají hrany, další tvary, další objekty; vznikají konvoluční sítě.
• Text: sítě typu transformer zpracovávají vztahy mezi slovy v kontextu; základ současných jazykových modelů.
• Zvuk: rozpoznávání řeči, syntéza hlasu.
• Generování: modely, které vytvářejí nový obsah (obrázky, text, hudbu); viz Generativní AI vs. klasická AI.

Cena: mnoho dat, výkonný hardware (GPU), čas a energie a modely jsou hůře vysvětlitelné („černá skříňka“). Pro malé tabulkové úlohy bývají jednodušší metody často stejně dobré či lepší a levnější.

Kde se které přístupy používají

• Pravidlové systémy a klasická AI: kalkulačky daní, jednoduché chatboty s pevným dialogem, plánování tras.
• Klasické strojové učení: spam filtry, doporučení, hodnocení kreditního rizika, předpověď poptávky, detekce podvodů (viz AI detekce podvodů a finančních rizik).
• Hluboké učení: rozpoznávání obrazu v medicíně, překlad, hlasoví asistenti, jazykové modely, generování obrázků a videa (viz AI ve zdravotnictví).
• Posilované učení: hry (šachy, Go), řízení robotů, optimalizace systémů.

Mnoho produktů kombinuje více přístupů: například chatbot používá velký jazykový model (hluboké učení), pravidla pro bezpečnost a vyhledávání ve firemních datech.

Omezení a rizika

• Závislost na datech: zkreslená, zastaralá či nekvalitní data vedou ke špatným výsledkům; viz Rizika AI: bias a diskriminace.
• Přeučení a selhání mimo trénovací rozdělení: model funguje dobře na známém, ale selže na nových typech situací.
• Korelace není příčinnost: model objeví vzorce, ale nechápe, proč platí.
• Halucinace u generativních modelů: věrohodně znějící, ale nepravdivé výstupy; viz Proč AI halucinuje.
• Neprůhlednost: u hlubokých sítí je těžké vysvětlit, proč model rozhodl tak, jak rozhodl.
• Energie a náklady: trénink velkých modelů je náročný.
• Útoky a zneužití: podvržené vstupy, deepfake; viz Deepfake: jak poznat.
• Regulace: evropská pravidla rozlišují rizikovost použití; viz EU AI Act.

Kontrolní seznam – vlastní infografika

Praktické příklady

• Spam filtr: učení s učitelem na označených e-mailech; klasické strojové učení.
• Doporučování videí: kombinace učení bez učitele (podobnost uživatelů) a s učitelem (předpověď zhlédnutí); viz Rizika doporučovacích algoritmů.
• Rozpoznání obličeje na telefonu: hluboké učení (konvoluční sítě).
• Překladač: hluboké učení, transformery.
• Chatbot: velký jazykový model natrénovaný samoučením a dolaďovaný lidskou zpětnou vazbou (posilované učení).
• Autonomní řízení: kombinace hlubokého učení pro vnímání, pravidel a plánování; viz AI v autech.
• Předpověď počasí: nové modely hlubokého učení doplňují klasické numerické modely; viz AI a předpověď počasí.

Jak se dál učit

Pokud vás téma zajímá víc, doporučujeme postupovat od praxe: vyzkoušet chatbota (viz Jak používat ChatGPT), seznámit se se slovníčkem pojmů (Slovník pojmů umělé inteligence) a poté se věnovat základům: Tokeny a kontextové okno a Historie umělé inteligence. Pro zájemce o kód je užitečný bezplatný kurz Google Machine Learning Crash Course a odborná učebnice Deep Learning (anglicky).

Strojové a hluboké učení v kostce

Základní údaje – vlastní infografika

Výhody a nevýhody

Souhrn pro běžného čtenáře – vlastní infografika

Související články

Další články najdete v kategorii Základy a principy AI: Generativní AI vs. klasická AI, Jak se trénuje AI model, AGI a superinteligence a Multimodální AI.

Shrnutí

Umělá inteligence je široký obor, strojové učení je jeho část, kde se model učí z dat, a hluboké učení je typ strojového učení s vícevrstvými neuronovými sítěmi. Existují tři hlavní typy učení: s učitelem, bez učitele a posilované. Modely jsou tak dobré, jak dobrá jsou data, a mohou chybovat. Více najdete v přehledu IBM.

Často kladené otázky ke strojovému a hlubokému učení