मशीन लर्निंग एल्गोरिदम को डेटा में पैटर्न खोजने और भविष्यवाणियां करने के लिए प्रशिक्षित करती है। स्पष्ट नियम लिखने के बजाय, आप एल्गोरिदम को उदाहरण देते हैं। यह इनपुट और आउटपुट के बीच संबंध सीखता है। फिर यह उस सीख को नए डेटा पर लागू करता है। एक स्पैम फ़िल्टर लाखों लेबल किए गए ईमेल से सीखता है। एक अनुशंसा इंजन उपयोगकर्ता के व्यवहार से सीखता है। एक धोखाधड़ी मॉडल ऐतिहासिक लेन-देन से सीखता है। एल्गोरिदम अधिक डेटा देखने पर एक निश्चित सीमा तक बेहतर होता जाता है।

मुख्य प्रकार हैं सुपरवाइज्ड, अनसुपरवाइज्ड और रीइन्फोर्समेंट लर्निंग। सुपरवाइज्ड लर्निंग में लेबल किए गए डेटा का उपयोग किया जाता है। एल्गोरिदम इनपुट को ज्ञात आउटपुट से मैप करना सीखता है। वर्गीकरण श्रेणियों की भविष्यवाणी करता है। रिग्रेशन संख्याओं की भविष्यवाणी करता है। अनसुपरवाइज्ड लर्निंग अनलेबल डेटा में संरचना का पता लगाती है। क्लस्टरिंग समान रिकॉर्ड को समूहित करती है। डाइमेंशनलिटी रिडक्शन जटिल डेटा को सरल बनाता है। रीइन्फोर्समेंट लर्निंग ट्रायल एंड एरर के माध्यम से एक एजेंट को प्रशिक्षित करती है, अच्छे कार्यों को पुरस्कृत करती है और बुरे कार्यों को दंडित करती है। यह गेम-प्लेइंग सिस्टम और रोबोटिक्स को शक्ति प्रदान करती है। प्रत्येक प्रकार अलग-अलग समस्याओं के लिए उपयुक्त है। प्रशिक्षण डेटा की गुणवत्ता मॉडल की गुणवत्ता निर्धारित करती है। पक्षपाती डेटा पक्षपाती भविष्यवाणियां उत्पन्न करता है। अपूर्ण डेटा अविश्वसनीय भविष्यवाणियां उत्पन्न करता है। ओवरफिटिंग एक निरंतर जोखिम है। एक मॉडल जो प्रशिक्षण डेटा को याद कर लेता है, नए डेटा पर खराब प्रदर्शन करता है। रेगुलराइजेशन, क्रॉस-वैलिडेशन और अधिक डेटा मदद करते हैं। मशीन लर्निंग शक्तिशाली और नाजुक दोनों है। यह पैटर्न का पता लगाती है, जिनमें वे भी शामिल हैं जो मौजूद नहीं होने चाहिए।

मशीन लर्निंग के प्रकार

• पर्यवेक्षित — लेबल किया गया डेटा, वर्गीकरण और प्रतिगमन
• अनसुपरवाइज्ड — अनलेबल डेटा, क्लस्टरिंग और डाइमेंशनलिटी रिडक्शन
• पुनर्बलन — पुरस्कारों के साथ परीक्षण और त्रुटि
• डीप लर्निंग — कई परतों वाले न्यूरल नेटवर्क

मशीन लर्निंग बड़े पैमाने पर पैटर्न की पहचान है। पैटर्न उतना ही सटीक होता है जितना कि उसे उत्पन्न करने वाला डेटा।