تُدرّب تقنيات التعلّم الآلي الخوارزميات على اكتشاف الأنماط في البيانات والتنبؤ بها. فبدلاً من برمجة قواعد صريحة، تُزوّد ​​الخوارزمية بأمثلة، فتتعلم العلاقة بين المدخلات والمخرجات، ثم تُطبّق هذا التعلّم على بيانات جديدة. على سبيل المثال، يتعلم مُرشّح البريد العشوائي من ملايين الرسائل الإلكترونية المُصنّفة، ويتعلم مُحرّك التوصيات من سلوك المستخدم، ويتعلم نموذج كشف الاحتيال من المعاملات السابقة. وتتحسن الخوارزمية مع ازدياد كمية البيانات التي تُعالجها، إلى حدٍّ مُعيّن.

الأنواع الرئيسية هي التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز. يستخدم التعلم الخاضع للإشراف بيانات مصنفة، حيث تتعلم الخوارزمية ربط المدخلات بالمخرجات المعروفة. يتنبأ التصنيف بالفئات، بينما يتنبأ الانحدار بالأرقام. أما التعلم غير الخاضع للإشراف، فيجد بنية في البيانات غير المصنفة، حيث يجمع التجميع السجلات المتشابهة، ويبسط تقليل الأبعاد البيانات المعقدة. بينما يدرب التعلم المعزز الوكيل من خلال التجربة والخطأ، مكافئًا الأفعال الجيدة ومعاقبًا الأفعال السيئة. وهو يدعم أنظمة ألعاب الفيديو والروبوتات. يناسب كل نوع مشاكل مختلفة، وتحدد جودة بيانات التدريب جودة النموذج. فالبيانات المتحيزة تنتج تنبؤات متحيزة، والبيانات غير المكتملة تنتج تنبؤات غير موثوقة. ويُعد التجاوز في التدريب خطرًا دائمًا، حيث يكون أداء النموذج الذي يحفظ بيانات التدريب ضعيفًا على البيانات الجديدة. ويمكن تحسين ذلك من خلال التنظيم والتحقق المتبادل والمزيد من البيانات. التعلم الآلي قوي وهش في آن واحد، فهو يكتشف أنماطًا، بما في ذلك أنماطًا لا يُفترض وجودها.

أنواع التعلم الآلي

• التعلم الخاضع للإشراف - البيانات المصنفة، والتصنيف، والانحدار
• غير الخاضع للإشراف - البيانات غير المصنفة، والتجميع، وتقليل الأبعاد
• التعزيز - التجربة والخطأ مع المكافآت
• التعلم العميق - الشبكات العصبية ذات الطبقات المتعددة

التعلم الآلي هو التعرف على الأنماط على نطاق واسع. ولا يكون النمط جيداً إلا بقدر جودة البيانات التي أنتجته.