Zamiast programować reguły ręcznie, podaj przykłady i pozwól algorytmowi znaleźć wzorce. Uczenie maszynowe buduje modele, które ulepszają się wraz z danymi i obecnie stanowi podstawę wyszukiwania, rekomendacji, wykrywania oszustw i rozpoznawania mowy.

Dziedzina ta dzieli się ze względu na nadzór. Uczenie nadzorowane wykorzystuje dane z etykietami. Uczenie bez nadzoru znajduje strukturę bez etykiet. Uczenie wzmacniające uczy się na podstawie sygnałów nagrody poprzez interakcję. Każde z tych podejść rozwiązuje inne problemy.

Typowe paradygmaty uczenia się

• Nadzorowane uczenie się z etykiet
• Uczenie się bez nadzoru ze struktury
• Uczenie się przez wzmacnianie poprzez nagrodę
• Uczenie półnadzorowane z danych mieszanych
• Samodzielne uczenie się z zadań pozornych

Dane decydują o wynikach. Prosty model oparty na czystych, istotnych danych często wygrywa ze złożonym modelem opartym na zaszumionych danych. Praktycy poświęcają większość czasu na gromadzenie, czyszczenie i walidację danych, a nie na wyszukiwanie architektury.