Učení asociačních pravidel je technika strojového učení používaná k analýze a interpretaci velkých souborů dat. Lze jej použít k identifikaci vztahů mezi datovými položkami nebo prvky v rámci datové sady. Výsledná asociační pravidla pak lze použít k předpovědím o nepozorovaných událostech nebo usuzování na neodhalené vzory v datech.
Učení asociačních pravidel je formou učení bez dozoru, což znamená, že nevyžaduje žádné štítky ani odpovědi. Místo toho se algoritmus pokouší najít vzory a vztahy založené pouze na datech. Tyto vzory se pak použijí k vytvoření „pravidel“, která identifikují časté asociace mezi prvky v sadě dat.
Tato pravidla pak lze použít pro prediktivní modelování, shlukování a klasifikační úlohy, jako je identifikace nákupních vzorců zákazníků, predikce budoucích nákupů zákazníků, segmentace zákazníků do skupin a mnoho dalších aplikací. Učení asociačních pravidel lze navíc použít i v jiných úlohách dolování dat, jako jsou vyhledávače, detekce podvodů s kreditními kartami, segmentace trhu a dolování z webu.
Ve srovnání s jinými technikami strojového učení, jako jsou neuronové sítě, podpůrné vektorové stroje a rozhodovací stromy, je učení asociačních pravidel považováno za snadno interpretovatelné. Díky tomu je systém zvláště užitečný v situacích, kdy je důležité pochopit základní principy dat. I když učení asociačních pravidel nevyžaduje mnoho dat, vyžaduje dostatek dat k nalezení zajímavých a smysluplných vzorců.
Jak počítače stále více ukládají a analyzují velké množství dat, očekává se, že učení asociačních pravidel se stane mocným nástrojem pro dolování dat a prediktivní analytiku.