Η μηχανική μάθηση έχει οριστεί από τον Andrew Ng, επιστήμονα ηλεκτρονικών υπολογιστών στο πανεπιστήμιο του Στάνφορντ, ως "η επιστήμη του να πάρει τους υπολογιστές να ενεργούν χωρίς να έχουν προγραμματιστεί ρητά". Αρχικά σχεδιάστηκε στη δεκαετία του 1950, αλλά γνώρισε περιορισμένη πρόοδο μέχρι το τέλος της 21ης αιώνας. Από τότε, η μηχανική μάθηση αποτελεί κινητήρια δύναμη πίσω από πολλές καινοτομίες, κυρίως την τεχνητή νοημοσύνη.
Η εκμάθηση μηχανών μπορεί να αναλυθεί σε διάφορες κατηγορίες, συμπεριλαμβανομένης της εποπτευόμενης, μη επιτηρούμενης, ημι-εποπτευόμενης και ενισχυτικής μάθησης. Ενώ η εποπτευόμενη μάθηση βασίζεται σε ετικέτα δεδομένα εισόδου για να συμπεράνει τις σχέσεις της με τα αποτελέσματα εξόδου, η μη επιτηρούμενη μάθηση ανιχνεύει τα πρότυπα μεταξύ μη επισημασμένων δεδομένων εισόδου. Η ημι-εποπτευόμενη μάθηση χρησιμοποιεί έναν συνδυασμό και των δύο μεθόδων και η μάθηση ενίσχυσης ενθαρρύνει τα προγράμματα να επαναλαμβάνουν ή να επεξεργάζονται διαδικασίες με επιθυμητά αποτελέσματα, αποφεύγοντας ταυτόχρονα λάθη. (Για να μάθετε για το ιστορικό προγραμματισμού, ελέγξτε τον Προγραμματισμό Υπολογιστών: Από τη γλώσσα του μηχανήματος μέχρι την Τεχνητή Νοημοσύνη.)
Αρκετές διαφορετικές βιομηχανίες επωφελούνται ήδη από τη μηχανική μάθηση και υπάρχει αυξανόμενη ζήτηση για προϊόντα και υπηρεσίες ML σε ολόκληρο τον ανεπτυγμένο κόσμο. Επιχειρήσεις όλων των ειδών αξιοποιούν τις προγνωστικές δυνατότητές τους και επιδιώκουν να αναπτύξουν μεθόδους μηχανικής μάθησης με σκοπό την λήψη τεκμηριωμένων αποφάσεων. Υπάρχουν πολλοί διαφορετικοί τρόποι με τους οποίους οι εταιρείες μπορούν να προσεγγίσουν αυτήν την τεχνολογία, συμπεριλαμβανομένων αρκετών γλωσσών προγραμματισμού που ξεχωρίζουν στον τομέα.
