Kvantové strojové učení je mladá disciplína kvantového zpracování informace, která využívá podobností principů kvantové mechaniky a metod strojového učení pro zpracování netypických dat či vzorů. V této práci ukážeme, jak experimentálně implementovat strojově učené kvantové hradlo ovládáné klasickým optimalizačním algoritmem. Učící schopnosti hradla demonstrujeme na problému fázově kovariantního klonování, které je hradlo schopno se naučit takřka optimálně, využívajíc zpětnou vazbu v podobě fidelit jednotliých klonů.Quantum machine learning is a young field of quantum information processing that exploits the similarities in principles of both quantum mechanics and machine learning methods to process atypical data and patterns. In this thesis, we present an experimental realization of machine-learned quantum gate controlled by classical optimization algorithm. To demonstrate the gates capabilities to learn, we show that the gate can learn phase-covariant cloning to nearly optimal level, having the feedback in form of the fidelities of individual clones.