Uczenie maszynowe zostało zdefiniowane przez Andrew Ng, informatyka na Uniwersytecie Stanforda, jako „nauka polegająca na uruchamianiu komputerów bez wyraźnego programowania”. Została stworzona w latach 50. XX wieku, ale osiągnęła ograniczony postęp aż do końca XXI wieku stulecie. Od tego czasu uczenie maszynowe stało się siłą napędową szeregu innowacji, w szczególności sztucznej inteligencji.
Uczenie maszynowe można podzielić na kilka kategorii, w tym uczenie się pod nadzorem, bez nadzoru, częściowo pod nadzorem i uczenie się wzmacniające. Podczas gdy nadzorowane uczenie się opiera się na oznaczonych danych wejściowych w celu wnioskowania o jego związku z wynikami wyjściowymi, uczenie się bez nadzoru wykrywa wzorce wśród nieznakowanych danych wejściowych. Nauka częściowo nadzorowana wykorzystuje kombinację obu metod, a uczenie się przez wzmacnianie motywuje programy do powtarzania lub opracowywania procesów o pożądanych efektach, unikając przy tym błędów. (Aby dowiedzieć się więcej o historii programowania, zobacz Programowanie komputerowe: od języka maszynowego do sztucznej inteligencji).
Kilka różnych branż już korzysta z uczenia maszynowego, a na całym świecie rośnie popyt na produkty i usługi ML. Firmy wszelkiego rodzaju wykorzystują jego zdolności predykcyjne i starają się opracowywać nakazowe metody uczenia maszynowego w celu podejmowania świadomych decyzji. Firmy mogą podejść do tej technologii na wiele różnych sposobów, w tym kilka języków programowania, które wyróżniają się w tej dziedzinie.
