機器學習（ML）是一個致力于理解和建立"學習"方法的研究領域，也就是說，利用數據來提高某些任務的性能的方法。它被看作是人工智能的一部分。機器學習算法基于樣本數據（稱為訓練數據）建立一個模型，以便在沒有明確編程的情況下做出預測或決定。機器學習算法被廣泛應用于醫學、電子郵件過濾、語音識別、農業和計算機視覺等領域，在這些領域中，開發傳統算法來完成所需的任務是困難的或不可行的。機器學習的一個子集與計算統計學密切相關，它側重于使用計算機進行預測，但并非所有機器學習都是統計學習。數學優化的研究為機器學習領域提供了方法、理論和應用領域。數據挖掘是一個相關的研究領域，專注于通過無監督學習進行探索性數據分析。機器學習的一些實現方式以模仿生物大腦工作的方式使用數據和神經網絡。在商業問題的應用中，機器學習也被稱為預測性分析。

學習算法的工作基礎是，過去行之有效的策略、算法和推論有可能在未來繼續行之有效。這些推論可以是顯而易見的，例如，在過去的一萬天里，太陽每天早上都會升起，所以它可能在明天早上也會上升。它們可以是細微的，例如X%的家族有地理上獨立的物種，有顏色變異，所以有Y%的機會存在未發現的黑天鵝。機器學習程序可以在沒有明確編程的情況下執行任務。它涉及計算機從提供的數據中學習，從而執行某些任務。對于分配給計算機的簡單任務，可以通過編程算法告訴機器如何執行解決手頭問題所需的所有步驟；就計算機而言，不需要學習。對于更高級的任務，由人類手動創建所需的算法可能是一個挑戰。在實踐中，幫助機器開發自己的算法，而不是讓人類程序員指定每一個需要的步驟，可能會變得更加有效。機器學習這門學科采用了各種方法來教計算機完成沒有完全令人滿意的算法的任務。在存在大量潛在答案的情況下，一種方法是將一些正確答案標記為有效答案。然后，這可以作為計算機的訓練數據，以改進它用來確定正確答案的算法。例如，為了訓練數字字符識別任務的系統，經常使用MNIST的手寫數字數據集。歷史和與其他領域的關系機器學習一詞是由IBM員工、計算機游戲和人工智能領域的先驅阿瑟-塞繆爾于1959年創造的。同時，自學計算機的同義詞也在這個時期被使用。到20世紀60年代初，雷神公司開發了一種帶有打孔磁帶存儲器的實驗性學習機，稱為賽博坦，可以使用初級強化學習來分析聲納信號、心電圖和語音模式。它由人類操作員/教師反復訓練，以識別模式，并配備了一個傻瓜按鈕，使其重新評估錯誤的決定。20世紀60年代，關于機器學習研究的代表性書籍是尼爾森的《學習機器》一書，主要涉及模式分類的機器學習。

與模式識別有關的興趣一直持續到70年代，正如Duda和Hart在1973年所描述的那樣。1981年，一份關于使用教學策略使神經網絡學會從計算機終端識別40個字符（26個字母、10個數字和4個特殊符號）的報告。TomM.Mitchell為機器學習領域研究的算法提供了一個被廣泛引用的、更正式的定義。如果一個計算機程序在T類任務中的表現，正如P所衡量的那樣，隨著經驗E的增加而提高，那么它就被稱為從經驗E中學習。這遵循了阿蘭-圖靈在他的論文《計算機械與智能》中的建議，即用"機器能做我們（作為思考實體）能做的事嗎？"來取代機器能思考的問題。現代的機器學習有兩個目標，一個是根據已經開發的模型對數據進行分類，另一個目的是進行預測。