Stanfordo universiteto kompiuterių mokslininkas Andrew Ng apibrėžė mašinų mokymąsi kaip „mokslą, kaip priversti kompiuterius veikti be aiškiai suplanuoto programavimo“. Jis pirmą kartą buvo sumanytas šeštajame dešimtmetyje, tačiau jo progresas buvo ribotas iki maždaug XXI-ojo posūkio. amžiuje. Nuo to laiko mašinų mokymasis buvo varomoji jėga, kelianti daugybę naujovių, ypač dirbtinį intelektą.
Mašinų mokymąsi galima suskirstyti į keletą kategorijų, įskaitant prižiūrimą, neprižiūrimą, pusiau prižiūrimą ir stiprinamąjį mokymąsi. Nors prižiūrimas mokymasis yra pagrįstas paženklintais įvesties duomenimis, kad būtų galima nustatyti jo ryšį su išvesties rezultatais, neprižiūrimas mokymasis aptinka nepaženklintų įvesties duomenų modelius. Pusiau prižiūrimas mokymasis apima abiejų metodų derinį, o sustiprintas mokymasis skatina programas kartoti ar tobulinti procesus, kurių rezultatai yra geri, vengiant klaidų. (Norėdami sužinoti apie programavimo istoriją, skaitykite Kompiuterių programavimas: nuo mašinų kalbos iki dirbtinio intelekto.)
Kelios skirtingos pramonės šakos jau naudojasi mašinų mokymu, o išsivysčiusiame pasaulyje didėja ML produktų ir paslaugų paklausa. Visų rūšių verslas naudojasi jo numatomosiomis galimybėmis ir siekia sukurti preskriptyvius mašininio mokymosi metodus, kad galėtų priimti pagrįstus sprendimus. Yra daug skirtingų būdų, kaip įmonės gali kreiptis į šią technologiją, įskaitant kelias programavimo kalbas, kurios išsiskiria šioje srityje.
