Strojové učení se jako široký obor umělé inteligence zabývá vývojem algoritmů a technik, které počítačům umožňují „učit se“. Na obecné úrovni existují dva typy učení: induktivní a deduktivní. Metody indukčního strojového učení vytvářejí počítačové programy tím, že extrahují pravidla a vzory z masivních souborů dat. Je třeba poznamenat, že ačkoli je identifikace vzorů pro strojové učení důležitá, bez extrakce pravidel spadá proces přesněji do oblasti vytěžování dat.
Strojové učení se silně překrývá se statistikou, protože oba obory studují analýzu dat, ale na rozdíl od statistiky se strojové učení zabývá algoritmickou složitostí výpočetních implementací. Mnohé problémy se závěrem se ukazují jako NP-tvrdé nebo těžší, takže součástí výzkumu strojového učení je vývoj dohledatelných aproximativních algoritmů pro závěr.
Strojové učení má široké spektrum aplikací včetně vyhledávačů, lékařské diagnostiky, bioinformatiky a cheminformatiky, odhalování podvodů s kreditními kartami, analýzy akciového trhu, klasifikace sekvencí DNA, rozpoznávání řeči a rukopisu, rozpoznávání objektů v počítačovém vidění, hraní her a pohybu robotů.
Některé systémy strojového učení se pokoušejí eliminovat potřebu lidské intuice při analýze dat, zatímco jiné uplatňují přístup založený na spolupráci mezi člověkem a strojem. Lidskou intuici nelze zcela eliminovat, protože projektant systému musí specifikovat, jak mají být data reprezentována a jaké mechanismy budou použity k vyhledávání charakterizace dat. Strojové učení lze chápat jako pokus o automatizaci částí vědecké metody. Někteří výzkumníci strojového učení vytvářejí metody v rámci bayesovských statistik.
Strojové učení může být použito pro rozpoznávání obrazu zpracováním parametrů nebo funkcí, které jsou extrahovány z dat, takže každý datový prvek je reprezentován jedním číslem pro každý z rysů. Například obrazy ryb mohou být zpracovány pomocí algoritmu, který určuje délku a počet stupnic. To samo o sobě nerozlišuje mezi pstruhem a kaprem, ale obě třídy ryb mají statisticky odlišné vlastnosti v těchto rysech. Potom, v závislosti na tom, jak dobře tyto rysy rozlišují mezi třídami, může být vytvořeno rozhodovací pravidlo, které maximalizuje některé kritérium, jako „většina ryb správně klasifikovaných“ nebo „5% nebo méně kaprů nesprávně klasifikovaných.Strojové učení také emcompasses Reinforcement Learning.
Výkonnostní a výpočetní analýza algoritmů strojového učení je odvětví statistiky známé jako teorie výpočetního učení.
Tento seznam představuje témata, kterými se zabývá typický kurz strojového učení.