Místo ručního programování pravidel zadávejte příklady a nechte algoritmus najít vzory. Strojové učení vytváří modely, které se s daty vylepšují, a nyní je základem vyhledávání, doporučování, detekce podvodů a rozpoznávání řeči.

Toto pole se dělí podle supervize. Supervidované učení využívá označená data. Nesupervidované učení nachází strukturu bez označení. Učení s posilováním se učí ze signálů odměny prostřednictvím interakce. Každé z nich je vhodné pro jiné problémy.

Běžná paradigmata učení

• Kontrolované učení od značek
• Neupravené učení ze struktury
• Posilování učení z odměny
• Polo-supervizované učení ze smíšených dat
• Samostudium z úkolů s předmluvou

Data dominují výsledkům. Jednoduchý model na čistých a relevantních datech často poráží složitý model na zašumených datech. Odborníci tráví většinu času sběrem dat, jejich čištěním a validací, nikoli hledáním architektury.