機器學習（Machine Learning）是從人工智能（AI）中發展出來的一個領域，機器學習的幾個比較重要的應用有：
- 數據挖掘（Database mining）
- 我們無法手動編寫的程序（Application can't by hand）（如自然語言處理、計算機視覺、直升機自動駕駛）
- 量身定製的程序（self-customizing programs）（網易雲音樂的喜好推薦）
- 理解人類的學習過程和大腦（understanding human learning）
對於機器學習的定義如下：
Tom Mitchell(1998):
Well-posed Learning problem:A computer program is said to learn from experience E with respect to some task T and some performance measure P,if its performance on T,as measured by P,improves with experience E.
即：計算機程序從經驗E中學習，解決某一任務T，進行某一性能度量P，通過P測定在T上的表現因經驗E而提高。
用跳棋遊戲來舉例，一個跳棋程序通過幾千幾萬次與自己進行跳棋遊戲，根據每次與對手對弈時贏的概率得出最好的下棋策略，那麼
E——程序與自己進行幾萬次遊戲
T——玩跳棋
P——與新對手玩跳棋贏的概率
機器算法可分爲：監督學習（supervised learning）與無監督學習（unsupervised learning）。
監督學習（supervised learning）指：通過已知的（正確的）數據，來使用算法預測並得出“正確答案”。
而監督學習較典型的問題有：迴歸問題（regression problem）與分類問題（classification problem）。
其中迴歸問題的迴歸是指我們的目標是預測一個連續值輸出，而分類問題的目的是預測離散值的輸出。
無監督學習（unsupervised learning）指：通過給大量無類型、無歸類的數據，要求找出數據的類型結構。
例如聚類算法（clustering algorithm），使用聚類算法的目的是將同類型的數據放在一起，如社交網絡分析（social network analysis）——用來分析某用戶聯繫最頻繁的人，從而找出同一朋友圈的人。
監督學習與無監督學習的區別在於，監督學習已給出的數據有確定的類型（如某腫瘤爲良性腫瘤或惡性腫瘤），通過大量的已知數據，來判定某一未知數據的性質；而無監督學習只給出了數據的特點，並沒有確定其性質的劃分，目的是通過給出的大量無類型數據，將這些數據根據特點劃分到適合的羣組中。