機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行爲，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。
機器學習如此重要的原因是什麼？一個重大突破導致機器學習成爲人工智能背後的動力 – 互聯網的發明。互聯網有大量的數字信息被生成存儲和分析。機器學習算法在這些大數據方面是最有效的。
神經網絡 ⇱
如果我們談論機器學習時，值得一提的是機器學習算法：神經網絡。
神經網絡是機器學習算法的關鍵部分。神經網絡是教計算機以人類的方式思考和理解世界的關鍵。實質上，神經網絡是模擬人類的大腦。這被抽象爲由加權邊緣（突觸）連接的節點（神經元）的圖形。有關神經網絡的更多信息請查看神經網絡概述。
這個神經網絡有一層，三個輸入和一個輸出。任何神經網絡都可以有任何數量的層，輸入或輸出。
深度學習
機器學習算法一直是人工智能背後的推動力量。所有機器學習算法中最關鍵的是深度學習。
深度學習的概念源於人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分佈式特徵表示。
這個神經網絡有兩層，三個輸入和一個輸出。任何神經網絡都可以有任何數量的層，輸入或輸出。輸入神經元和最後一層輸出神經元之間的層是深層神經網絡的隱藏層。
深度學習最好的表現是深度神經網絡（DNN）。深層神經網絡只是一個超過兩層或三層的神經網絡。然而，深度神經網絡並不是深度學習算法的唯一類型 -但它是最流行的類型。另一個深度學習算法是深度信任網絡（DBN）。深層信任網絡在層與層之間不直接聯繫。這意味着DNN和DBN的拓撲在定義上是不同的。DBN中的無向層被稱爲 Restricted Boltzmann Machines。