Em vez de programar regras manualmente, forneça exemplos e deixe o algoritmo encontrar padrões. A aprendizagem automática constrói modelos que melhoram com os dados e é agora a base de pesquisas, recomendações, deteção de fraudes e reconhecimento de voz.

A área divide-se em supervisão. A aprendizagem supervisionada usa dados rotulados. A aprendizagem não supervisionada encontra estrutura sem rótulos. A aprendizagem por reforço aprende a partir de sinais de recompensa através da interação. Cada um adequa-se a problemas diferentes.

Paradigmas comuns de aprendizagem

• Aprendizagem supervisionada a partir de rótulos
• Aprendizagem não supervisionada a partir da estrutura
• Aprendizagem por reforço a partir de recompensas
• Aprendizagem semi-supervisionada a partir de dados mistos
• Aprendizagem auto-supervisionada a partir de tarefas pretextuais

Os dados são determinantes para os resultados. Um modelo simples baseado em dados limpos e relevantes supera, geralmente, um modelo complexo baseado em dados ruidosos. Os profissionais da área dedicam a maior parte do seu tempo à recolha, limpeza e validação de dados, e não à procura de arquiteturas.