机器学习的概念最初是在20世纪50年代引入的，这是AI-时代的显着特点。1950年，艾伦・图灵发表了“计算机械与智能”论文，提出了一项着名的人工智能评估测试，我们明天称之为图灵测试。1959年，
Lee创造了“机器学习”这个术语。机器学习（ML）可以广泛地定义为使用经验来改进性能或进行确切预测的估算方式。我们将机器学习定义为对重要数据执行的一系列物理操作，以获得有价值的看法。算法的研究是从实例和经验学校习而不是硬编码规则。一般，有三种主要类型的机器学习问题：监督，无人监督和加强。
・
监督的机器学习问题是我们想要依据一组示例进行预测的问题。
・
无监督的机器学习问题是我们的数据没有一组定义的类别集合的问题，而是我们正在找寻机器学习算法来帮助我们组织数据。
这意味着，有监督的机器学习问题有一组我们想拿来预测未来的历史数据点，无监督的机器学习问题有一组数据，我们正在找寻机器学习来帮助我们组织或理解。
・
加强包括系统必须完成的特定任务或目标。在整个过程中，它会收到反馈，便于了解所需的行为。诸如，系统在执行动作时遇见错误或则为实现最有利的结果而获得奖励。因而，该程序才能通过加强讯号学习最有效的方式。
尽管数据库（KDD）中的数据挖掘和知识发觉虽然只能解决数据科学的主要问题，但机器学习可以增强数据科学的业务效率。ML技术可以大致分为四个不同的区域：分类，降维，关联学习和数字预测。应用于文本的分类是文本分类的主题，其是从一组预定义的集合中手动将一组文档分类为类别（或类或主题）的任务。文档的直接分类用于信息检索系统的文档索引，文本过滤（包括避免电子电邮垃圾电邮），网页分类和许多其他应用程序。依据具体应用机械效率的定义及简单计算，分类也可用于文本的较小部份（段落，语句，词组），喜欢文档分割，主题跟踪或词组消歧。在机器学习方式中机械效率的定义及简单计算，在应用于排序看不见的文本之前，预先对以前分类的标记数据训练分类算法（分类器）。
可以在两个层面上实现具有文本的降维技术的使用。通过辨识类似的集群来剖析文档集合仅须要借助与文档相像性测度相结合的已知降维算法。在文档降维中可能会更具挑战性，由于它须要预处理文本并将对象隔离到降维–句子，词组或个别须要派生的构造。
关联学习本质上是分类的概括，其致力捕获数据集中的示例的任意特点（亦称为属性）之间的关系。从这个意义上讲，分类仅捕获指定类的一个特点的所有特点的关系。因为文档表示的高维度，即相当多的特点（其中许多可能不是特别有用的信息），因而将关联学习直接应用于文本是不可行的。借助从文本中提取的信息的关联学习（比如，使用分类和/或降维）是一个不同的故事，可以形成许多有用的看法。
数字预测（在更广泛的意义上亦称为回归）是分类的另一种概括，其中类特点不是离散的而是连续的。这些小的定义转变造成分类和回归算法的内部存在巨大差别。但是，通过将预测的数字特点界定为有限数目的间隔，每位回归算法也可以用于分类。相反的情况一般是不可能的。同样，与关联学习一样，对文本进行回归的简单应用并不是非常有用，不仅分类（非常是当须要一种信念测度时，这也可以通过大多数分类算法来实现）。
数据挖掘和十分流行的机器学习之间存在差别。但是，机器学习是关于创建算法以提取有价值的看法，它主要关注在动态变化的环境中的连续使用，并指出基于以前经验的算法的调整，再训练和更新。机器学习的目标是不断适应新数据并发觉新数据或规则。有时它可以在没有人为指导和明确重新编程的情况下实现。
因为近来的一些理论和技术突破，机器学习是现今数据科学中最蓬勃发展的领域。她们通过机器进行自然语言处理，图象辨识甚至生成新图像，音乐和文本。机器学习一直是建立人工智能的主要“工具”。
要在应用程序中使用机器学习甚至学习它，有两种方式。首先，学习怎么使用充当黑袋子的库，也就是说，它们提供不同的功能。其次，要学习怎么编撰算法和查找系数，拟合模型，找到优化点等等，便于按照您的要求企划应用程序。并且，假如您只是想玩，这么有一些库和应用程序编程插口可以帮助您完成工作。
企业正在使用机器学习技术来剖析顾客的订购历史，并为上次订购提供个性化的产品推荐。这些捕获，剖析和使用顾客数据以提供个性化购物体验的能力是销售和营销的未来。
在交通运输领域，按照旅行历史和各类路线的旅行模式，机器学习可以帮助运输公司预测个别路线上可能出现的潜在问题，并建议顾客选择不同的路线。运输公司和货运公司正在逐渐使用机器学习技术进行数据剖析和数据建模，以作出明智的决策，并帮助顾客在旅行时作出明智的决策。
