Abstract: By action model, we understand any logic-based representation of effects and executability preconditions of individual actions within a certain domain. In the context of artificial intelligence, such models are necessary for planning and goal-oriented automated behaviour. Currently, action models are commonly hand-written by domain experts in advance. However, since this process is often difficult, time-consuming, and error-prone, it makes sense to let agents learn the effects and conditions of actions from their own observations. Even though the research in the area of action learning, as a certain kind of inductive reasoning, is relatively young, there already exist several distinctive action learning methods. We will try to identify the collection of the most important properties of these methods, or challenges that they are trying to overcome, and briefly outline their impact on practical applications., Abstrakt: Podle akčního modelu chápeme logickou reprezentaci efektů a předpokladů vykonatelnosti jednotlivých akcí v rámci určité domény. V kontextu umělé inteligence jsou tyto modely nezbytné pro plánování a cílené automatizované chování. V současné době jsou akční modely běžně ručně psány odborníky domény předem. Vzhledem k tomu, že tento proces je často obtížný, časově náročný a náchylný k chybám, má smysl nechat agenty seznámit se s účinky a podmínkami akcí z vlastních pozorování. I když je výzkum v oblasti akčního učení, jako určitý druh indukčního uvažování, relativně mladý, existuje již několik výrazných metod učení. Pokusíme se identifikovat sbírku nejdůležitějších vlastností těchto metod., and Michal Čertický