Uczenie maszynowe to dziedzina sztucznej inteligencji zajmująca się badaniem algorytmów i systemów usprawniających swoje działanie wraz ze zdobywanym doświadczeniem. Doświadczeniem nazywamy informacje pochodzące z danych uczących wykorzystanych do nauki systemu. Przez usprawnienie działania rozumiemy powiększenie wiedzy systemu i na jej podstawie zwiększenie zdolności systemu do rozwiązania postawionego zadania. Opisany proces przypomina ludzki proces poznawczy określany mianem uczenia się.

Jednym z pierwszych przykładów systemu uczenia maszynowego był stworzony w 1958 roku przez Franka Rosenblatta perceptron. Maszyna ta naśladowała w działaniu ludzki mózg. Wydarzenie to rozpoczęło szereg trwających do dziś badań nad sztucznymi sieciami neuronowymi. Kolejny przykład systemu to samouczący program do gry w warcaby stworzony przez Arthula Samuela w 1959 roku. Program ten uczył się zagrań podczas kolejnych rozgrywek z prawdziwymi graczami. Z każdą kolejną rozgrywaną partią program polepszał swoje działanie i grał lepiej. Innymi przykładami systemów uczenia maszynowego są rozwijane od lat 60 systemy ekspertowe z rodziny Dendral. Ich celem jest pomoc chemikom w identyfikacji i późniejszej syntezie nowych, nieznanych molekuł organicznych.

Na drodze procesu uczenia algorytmy uczenia maszynowego wykrywają zależności w danych i tworzą na ich podstawie wiedzę. Algorytmy uczenia maszynowego są chętnie wykorzystywane w sytuacjach, gdzie wymagane jest automatyczne pozyskiwanie wiedzy i polepszanie działania systemu. Analiza informacje pochodzących z dynamicznego środowiska ze zmieniającymi się warunkami, czy też przetwarzanie ogromnych ilości danych i wykrywanie w nich zależności to kolejna domena uczenia maszynowego. Przykładowe praktyczne zastosowania uczenia maszynowego to:

• Eksploracja sieci Web – usprawnianie działania wyszukiwarek internetowych, tworzenie spersonalizowanych rekomendacji na podstawie wyszukiwań i danych użytkownika.
• Podejmowanie decyzji – usprawnienie procesu przyznawania kredytów klientom banku.
• Przetwarzanie obrazów – rozpoznawanie tekstu, segmentacja obiektów na obrazach.
• Przewidywanie obciążenia – przewidywanie zapotrzebowania na energię elektryczną na podstawie warunków pogodowych i danych historycznych w celu redukcji kosztu jej produkcji.
• Diagnoza – wspomaganie lekarzy przy diagnozie chorób na podstawie sygnałów i obrazów medycznych oraz danych historycznych.
• Kategoryzacja i filtrowanie dokumentów – grupowanie podobnych dokumentów, automatyczne filtrowanie dokumentów pod względem niedozwolonej treści
• Wycena – określanie ceny mieszkań na podstawie atrybutów takich jak liczba pokoi, metraż, czy odległość od centrum.