Uczenie maszynowe (ang. Machine Learning - ML) polega na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te na podstawie dostarczonych im danych budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka.
Główne elementy Uczenia Maszynowego to:
dane - duże zbiory danych używane do trenowania i testowania działania modelu
model - matematyczna reprezentacja problemu, uczona na podstawie danych
algorytm - zestaw reguł i procedur używany do uczenia modelu na podstawie danych
funkcja straty - funkcja używana do oceny, jak dobrze model działa - im niższa strata, tym lepszy model
optymalizacja - proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty
Przykładem uczenia maszynowego jest wytrenowanie modelu matematycznego, który potrafi oceniać nowe dane, z którymi nie spotkał się w procesie uczenia się.