Uczenie maszynowe (machine learning, ML) to dziedzina informatyki i sztucznej inteligencji zajmująca się algorytmami, które dzięki doświadczeniu (danym) poprawiają swoją skuteczność w rozwiązywaniu zadań oraz generalizują na nowe przypadki. Klasycznie przywołuje się dwa ujęcia definicyjne: Arthur L. Samuel (1959) opisywał ML jako „zdolność komputerów do uczenia się bez jawnego programowania”, co ukazał na przykładzie programu do warcabów; Tom M. Mitchell (1997) podał definicję operacyjną: program „uczy się” z doświadczenia E względem zadań T i miary P, gdy jego wynik dla T mierzony P poprawia się wraz z E. Te dwa spojrzenia—historyczne i operacyjne—układają się w całość: ML to proces uczenia modeli z danych, mierzonej postępem.

W praktyce ML obejmuje pipeline: pozyskanie i przygotowanie danych, wybór reprezentacji/cech, dobór i trenowanie modelu, obiektywną ewaluację (np. na zbiorze walidacyjnym/testowym), a następnie wdrożenie i monitoring. Kluczowe jest unikanie przeuczenia (overfittingu) i dążenie do dobrej generalizacji. W dydaktyce akademickiej (np. Stanford CS229) podstawą są rozbicia zbiorów, walidacja krzyżowa oraz analiza kompromisu bias–variance.

Definicje i zakres pojęcia

Definicja developerska (konkretna, użyteczna dla praktyków) upraszcza ujęcia Samuela i Mitchella: ML to trenowanie modelu na danych, które mają generalizować decyzję według określonej miary jakości. To trafne streszczenie promuje podejście zadaniowe i metryczne: bez miary jakości (np. accuracy, F1, RMSE) nie wiemy, czy „uczenie” realnie poprawia działanie. Definicja ta, popularna w środowisku inżynierskim, bywa przywoływana przez blog MachineLearningMastery jako „jednolinijkowe” ujęcie dla deweloperów.

Elementy definicji operacyjnej:

• Zadanie (T) — np. klasyfikacja maili jako spam/nie-spam.
• Doświadczenie (E) — zbiory danych z poprawnymi etykietami (lub bez).
• Miara skuteczności (P) — np. dokładność, AUC, MAE.
  Jeśli wynik dla T mierzony P poprawia się wraz z E, mówimy, że system „uczy się”. Ujęcie to jest szeroko cytowane w literaturze akademickiej.

Historia i etymologia

• 1959 — Arthur L. Samuel publikuje studia nad uczeniem z wykorzystaniem warcabów; to jeden z pierwszych praktycznych pokazów ML. Teksty Samuela i opracowania historyczne podkreślają, że program osiągał z czasem wyższy poziom gry dzięki analizie rozgrywek.
• Lata 80.–90. — dojrzewa statystyczne podejście do ML (sieci neuronowe, SVM, drzewa), powstają podręczniki i kursy systematyzujące pojęcia (m.in. Mitchell 1997).
• Po 2012 r. — fala deep learning dzięki sieciom konwolucyjnym i rosnącym zasobom danych/obliczeń; ML staje się fundamentem usług sieciowych, rozpoznawania mowy, wizji i NLP. (Zob. przeglądowe materiały i kursy na CS229).

Dlaczego ML „działa”: generalizacja, błąd i metryki

3.1. Generalizacja i rozbicie danych

Generalizacja to zdolność modelu do uzyskiwania dobrych wyników na danych, których nie widział w treningu. Standard to rozdział na train/validation/test, przy czym walidacja służy doborowi hiperparametrów, a test — ostatecznej ocenie. Walidacja krzyżowa (k-fold) pozwala lepiej wykorzystać ograniczone dane i ogranicza wahania wyniku.

3.2. Kompromis bias–variance

Bias to błąd systematyczny (zbyt proste modele), variance — wrażliwość na fluktuacje danych (zbyt złożone modele). Wzrost złożoności często zmniejsza bias, ale zwiększa variance; celem jest punkt równowagi minimalizujący błąd generalizacji. Notatki kursowe CS229 oraz materiały dydaktyczne prezentują formalne rozbicie błędu i przykłady.

3.3Metryki i miary jakości

Dobór metryki zależy od problemu:

• Klasyfikacja: accuracy, precision, recall, F1, AUC.
• Regresja: MAE, MSE, RMSE, R².
• Klasteryzacja: silhouette score, Davies–Bouldin.
  W praktyce wybór metryki określa „co znaczy lepiej”, a zatem kierunek całej optymalizacji. (Por. kursy akademickie i praktyczne przewodniki).

Rodzaje uczenia: nadzorowane, nienadzorowane i ze wzmocnieniem

Uczenie nadzorowane (supervised learning)

Dane oznaczone (wejście + etykieta) umożliwiają uczenie klasyfikacji (np. diagnoza: „chory/zdrowy”) i regresji (np. prognoza ceny). Typowy przepływ pracy ilustruje schematy „Supervised machine learning in a nutshell” i składowe: zbieranie danych, podział na zbiory, trenowanie, test. (Patrz grafiki wskazane w sekcji „Grafiki”).

Przykłady:

• Filtr spamu (etykiety: spam/nie-spam).
• Klasyfikacja obrazów (pies/kot).
• Prognozowanie popytu (regresja, wartości ciągłe).

Uczenie nienadzorowane (unsupervised learning)

Brak etykiet. Celem jest odkrywanie struktury: klasteryzacja (np. segmentacja klientów), redukcja wymiarów (np. PCA), uczenie reprezentacji/cech (feature learning), które później wspierają modele nadzorowane.

Przykłady:

• Grupowanie dokumentów tematycznie (k-Means).
• Kompresja informacji (PCA, autoenkodery).
• Wykrywanie anomalii (gęstościowe/odległościowe metody).

Uczenie ze wzmocnieniem (reinforcement learning, RL)

Agent wchodzi w interakcję ze środowiskiem, otrzymuje nagrody/kary, a celem jest maksymalizacja sumarycznej nagrody. RL świetnie nadaje się do problemów sekwencyjnych (sterowanie, gry, rekomendacje). W klasycznych kursach RL przedstawia się obok ML, ale z inną pętlą uczenia (polityka–wartość–eksploracja). (Zob. ujęcia w materiałach dydaktycznych CS229 oraz przeglądach ML).

Algorytmy w praktyce: kiedy i po co?

Poniżej skrót najczęstszych rodzin algorytmów. Dobór zależy od danych, rozmiaru, wymagań interpretowalności i budżetu obliczeniowego.

Drzewa decyzyjne i lasy losowe

• Plusy: interpretowalność, radzenie sobie z interakcjami cech, brak wymagań skalowania cech.
• Minusy: pojedyncze drzewa mają wysoką wariancję; zespoły (np. Random Forest) obniżają wariancję kosztem interpretowalności.

Gradient boosting (XGBoost/LightGBM/CatBoost)

• Plusy: wysoka skuteczność na danych tabelarycznych, dobrą praktyką są walidacja i wczesne zatrzymanie.
• Minusy: podatność na przeuczenie przy zbyt agresywnym dopasowaniu; wymaga strojenia.

SVM (maszyny wektorów nośnych)

• Plusy: silne podstawy teoretyczne, dobre wyniki na umiarkowanych wymiarowościach, szczególnie z jądrem RBF.
• Minusy: gorzej skalują się do bardzo dużych zbiorów; trudniejsze strojenie hiperparametrów.

k-NN (k-najbliższych sąsiadów)

• Plusy: prostota, brak uczenia właściwego — „leniwy” klasyfikator.
• Minusy: kosztowna predykcja dla dużych zbiorów; wymaga przemyślanej metryki i skalowania cech.

Naive Bayes

• Plusy: szybkość, dobre wyniki na tekście (np. filtr spamu), łatwa implementacja.
• Minusy: założenia niezależności cech są uproszczeniem.

Sieci neuronowe (w tym deep learning)

• Plusy: uczenie reprezentacji (feature learning), duża moc modelowania złożonych zależności (wizja, mowa, NLP).
• Minusy: wymagają dużych danych i mocy obliczeń; mniejsza interpretowalność. (Patrz materiały kursowe i przeglądowe; deep learning był motorem przełomów po 2012 r.).

Wybór algorytmu należy łączyć z charakterem danych (tabele vs obrazy/tekst), skalą (tys. vs miliardy rekordów), metryką (co mierzymy) i ograniczeniami (czas predykcji, pamięć, prywatność).

Pipeline ML i dobre praktyki (od danych po MLOps)

Pozyskanie i przygotowanie danych

• Jakość danych > złożoność modelu. Usuwanie duplikatów, korekta błędów, uzupełnianie/obsługa braków, standaryzacja skal.
• Podział na zbiory: train/validation/test (ew. k-fold), kontrola wycieków informacji (leakage).
• Inżynieria cech: od prostych transformacji po uczenie reprezentacji (np. autoenkoder, embeddings). (Zob. schematy „workflow ML” i „feature learning” na Wikimedia).

Trenowanie i strojenie

• Walidacja krzyżowa i siatka losowa/bayesowska do strojenia hiperparametrów.
• Regularizacja (L1/L2, dropout, wczesne zatrzymanie) ogranicza przeuczenie.
• Reprodykowalność: stałe ziarna losowości, wersjonowanie danych i modeli.

Ewaluacja i testowanie

• Wielometryczność: jedna metryka rzadko wystarcza; np. przy klasach niezrównoważonych preferuj AUC, F1.
• Krzywe ROC/PR, analiza błędów, testy na drifcie danych.

Wdrożenie i MLOps

• Monitoring (drift, spadek jakości), ciągłe trenowanie (CT), ciągłe dostarczanie (CD).
• Etykieta produkcyjna: opóźnienia, koszty GPU/CPU, prywatność (RODO), kontrola wersji.
• Dokumentowanie: karty modeli (model cards), datasheets for datasets.

Materiały akademickie i praktyczne podkreślają, że proces jest tak samo ważny jak algorytm — to dyscyplina inżynierska łącząca statystykę, programowanie i zarządzanie cyklem życia modelu.

7Zastosowania współczesne

• Wizja komputerowa: rozpoznawanie obiektów, kontrola jakości w przemyśle, medycyna obrazu.
• Przetwarzanie języka (NLP): klasyfikacja tekstu, analizowanie nastroju, systemy pytanie-odpowiedź, tłumaczenie.
• Uczenie na danych tabelarycznych: scoring ryzyka kredytowego, prognozowanie popytu/produkcji, wykrywanie nadużyć.
• Rekomendacje i personalizacja: e-commerce, platformy treści, systemy newsowe.
• Sterowanie i RL: robotyka, gry, logistyczne decyzje sekwencyjne.
  Dobrym syntetycznym punktem startu są kursy CS229 oraz przeglądy popularnonaukowe, które wizualizują przepływ „dane → model → przewidywanie”.

Dyskusje i ograniczenia (etyka, prywatność, uprzedzenia)

Dane determinują możliwości i ograniczenia: jeśli zbiór uczący jest stronniczy, model replikuje uprzedzenia; jeśli dane są wrażliwe, naruszenie prywatności może prowadzić do szkód. Interpretowalność (zwłaszcza modeli złożonych) jest wyzwaniem przy decyzjach wysokiej wagi (finanse, medycyna). Źródła akademickie i przeglądowe podkreślają także ekonomiczne i społeczne implikacje ML/AI (praca, regulacje).

Źródła (bibliografia i dalsza lektura)

Pozycje kanoniczne i kursowe

1. Tom M. Mitchell (1997), Machine Learning. Definicja E/T/P i wprowadzenie do dyscypliny. (Dostępne streszczenia/wyciągi i slajdy). cs.cmu.edu+1
2. Stanford CS229 — Main Notes. Zestaw notatek (m.in. bias–variance, walidacja, dobór modeli). cs229.stanford.edu
3. CS229 — Regularization and Model Selection (cross-validation). Praktyki zapobiegania overfittingowi. cs229.stanford.edu

Artykuły/historyczne
4. Arthur L. Samuel (1959), „Some Studies in Machine Learning Using the Game of Checkers”. Klasyczne studium pionierskie. people.csail.mit.edu+1

Przewodniki praktyczne
5. Machine Learning Mastery — „What is Machine Learning?” Definicja developerska i omówienie dla praktyków. MachineLearningMastery.com

Przeglądy/konteksty popularnonaukowe
6. Financial Times — „How machines learn” (grafika/wyjaśnienie procesu). Financial Times
7. TIME — „A to Z of Artificial Intelligence” (glosariusz i konteksty społeczne). TIME

Wikimedia (grafiki i schematy — do osadzenia z atrybucją licencyjną)
8. Supervised machine learning in a nutshell (SVG, CC BY-SA 4.0). commons.wikimedia.org