機器學習訓練演算法來發現資料中的模式並進行預測。它無需編寫明確的規則，而是向演算法輸入範例。演算法會學習輸入和輸出之間的關係，然後將這些學習應用於新的資料。垃圾郵件過濾器會從數百萬封已標記的電子郵件中學習。推薦引擎會從使用者行為中學習。欺詐模型會從歷史交易中學習。隨著資料量的增加，演算法會不斷改進，但改進是有極限的。

主要類型包括監督學習、無監督學習和強化學習。監督學習使用已標記的資料。演算法學習如何將輸入映射到已知的輸出。分類預測類別。迴歸預測數值。無監督學習在未標記的資料中尋找結構。聚類將相似的記錄分組。降維簡化複雜資料。強化學習透過試誤訓練智能體，獎勵好的行為，懲罰壞的行為。它為遊戲系統和機器人技術提供支援。每種類型都適用於不同的問題。訓練資料的品質決定了模型的品質。有偏差的數據會產生偏差的預測。不完整的數據會產生不可靠的預測。過擬合是始終存在的風險。記憶訓練資料的模型在新資料上的表現很差。正則化、交叉驗證和更多的數據有助於改善過擬合。機器學習功能強大但也很脆弱。它會發現模式，包括不應該存在的模式。

機器學習類型

• 監督學習——標記數據、分類和回歸
• 無監督學習－未標記資料、聚類和降維
• 強化－透過獎勵進行試錯
• 深度學習－具有多層結構的神經網絡

機器學習是大規模的模式識別。模式的品質取決於產生該模式的資料的品質。