فرایند یادگیری در انسان بااستفاده از تجربیات شخصی و در سیستم های ماشینی با دنبال کردن دستورالعمل های داده شده به سیستم، محقق خواهد شد. یادگیری ماشین شاخه ای از هوش مصنوعی است که تنوعی از تکنیک های آماری، احتمالی و بهینه سازی را به کار می برد و اجازه می دهد که کامپیوترها براساس مثال های ورودی، دستورالعمل هایی را یاد بگیرند و از آن برای شناسایی الگوهای هدف از میان مجموعه داده های بزرگ، شلوغ و پیچیده بهره ببرند. این دانش با توجه به الگوهای داده ها و روابط بین آنها یک مفهوم کلی را به استنتاج می رساند. در هوش مصنوعی، هر فرایند یادگیری از دو مرحله تشکیل می شود: برآورد وابستگی های ناشناخته موجود در میان مجموعه داده های یک سیستم و استفاده از وابستگی های برآورد شده برای پیش بینی خروجی های جدید در سیستم، دو نوع معمول از روش های یادگیری ماشین شامل یادگیری تحت نظارت و یادگیری بدون نظارت است. در روش اول، به سیستم یک مجموعه داده نشانه گذاری شده برای هدایت داده های ورودی به سمت خروجی مد نظرداده می شود؛ اما در روش دوم هیچ نمونه نشانه گذاری شده ارائه نمی شود، در طول فرایند یادگیری هیچ تصوری از داده های خروجی وجود ندارد و در پایان داده ها بر اساس ویژگی های مختلف از هم متمایز می شوند. هنگام استفاده از روش یادگیری ماشین، هر نمونه با چندین ویژگی و هر ویژگی با انواع مختلفی از مقادیر توصیف می شود.
بطورکلی یادگیری ماشین علمی است که باعث می‌شود رایانه‌ها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند. یادگیری ماشین در بسیاری زمینه‌ها از جمله مهندسی، کسب و کار، زبان‌شناسی و پزشکی کاربرد دارد. برای نمونه، موتورهای جستجوی اینترنتی در گوگل یا بینگ از یادگیری ماشینی استفاده می‌کنند، چرا که نرم‌افزار یادگیری ماشین آن‌ها چگونگی رتبه‌بندی برای یک صفحه وب را درک کرده‌است. همینطور فیس‌بوک یا برنامه عکس اپل که تصاویر افراد را شناسایی می‌کند نوعی از یادگیری ماشین است. فیلتر هرزنامه‌ها (یا اسپم) در ایمیل از هم از کاربردهای یادگیری ماشین است.