makine öğrenmesi esas olarak 1959 yılında bilgisayar biliminin yapay zekâda sayısal öğrenme ve model tanıma çalışmalarından geliştirilmiş bir alt dalıdır. makine öğrenmesi yapısal işlev olarak öğrenebilen ve veriler üzerinden tahmin yapabilen algoritmaların çalışma ve inşalarını araştıran bir sistemdir. bu tür algoritmalar statik program talimatlarını harfiyen takip etmek yerine örnek girişlerden veri tabanlı tahminleri ve kararları gerçekleştirebilmek amacıyla bir model inşa ederek çalışırlar.
makine öğrenmesine ait başlıca kavramların listesi açıklamalarıyla birlikte aşağıdaki gibidir:

denetimli öğrenme: veriler etkileşimli sistemlerden alınarak belirli bir düzende organize edilmesidir.
denetimli öğrenme, hem girilen hem de istenen çıktı verisinin sağlandığı bir sistem türüdür. giriş ve çıkış verileri gelecekteki veri işleme için öğrenme temelini sağlamak üzere sınıflandırma için etiketlenmiştir. denetlenen öğrenme, bir işlevi etiketli eğitim verisinden çıkarmak için makine öğrenme görevidir. eğitim verileri bir dizi eğitim örneğinden oluşur. denetimli öğrenmede, her örnek, bir giriş nesnesi (tipik olarak bir vektör) ve arzu edilen bir çıkış değeri (ayrıca denetleyici sinyal olarak da adlandırılır ) içeren bir çifttir. denetlenen bir öğrenme algoritması, eğitim verilerini analiz eder ve yeni örnekler haritalaması için kullanılabilecek bir çıkarım fonksiyonu üretir. optimal bir senaryo, algoritmanın görünmeyen örneklerin sınıf etiketlerini doğru bir şekilde belirlemesine izin verir. bu, öğrenme algoritmasının egzersiz verilerinden görünmeyen durumlara "makul" bir şekilde genelleştirilmesini gerektirir. denetlenen öğrenme modelleri, denetlenmeyen yaklaşıma göre bazı avantajlara sahiptir, ancak sınırlamaları da vardır. sistemlerin, örneğin, insanların kararlar için temel oluşturması nedeniyle, insanların alakalı olabilecek kararlar verme olasılığı daha yüksektir. bununla birlikte, geri çağırma tabanlı bir yöntem söz konusu olduğunda, denetlenen öğrenme sistemleri yeni bilgi ile uğraşmakta zorlanırlar.
sınıflandırma
sınıflama, geçmiş gözlemlere dayanarak yeni örneklerin kategorik sınıf etiketlerini öngörmek olan denetlenen öğrenimin bir alt kategorisidir. bu sınıf etiketleri, örneklerin grup üyelikleri olarak anlaşılabilecek ayrı, sırasız değerlerdir. mesela e-posta-spam algılama örneği, makine öğrenme algoritmasının, olası iki sınıfı ayırmak için bir dizi kural öğrendiği, ikili sınıflandırma görevinin tipik bir örneğini temsil eder: spam ve spam olmayan e-posta olarak.

regresyon analizi
ikinci bir denetimli öğrenme türü, regresyon analizi olarak da adlandırılan sürekli sonuçların tahminidir. regresyon analizinde, bir dizi öngördürücü (açıklayıcı) değişken ve sürekli yanıt değişkeni (sonuç) verilir ve biz, bir sonucu öngörmemizi sağlayan bu değişkenler arasında bir ilişki bulmaya çalışırız.

denetimsiz öğrenme: sınıf bilgisi barındırmayan verilerin içerisindeki gruplar irdelenmesidir. denetimsiz öğrenme
herhangi bir bilgi verilmeden sadece verilerin verilmesi ve bu verilerden çeşitli sonuçların çıkarılmasının sağlanması. baştan herhangi bir bilgi verilmediği için sonuçlar kesin doğruluk taşıması beklenmemektedir.


yarı denetimli öğrenme: bu kavram tam olarak yukarıdaki iki kavramın arasında yer alır ve etiketlenmemiş büyük miktarda bir veri ile etiketlenmiş küçük miktarda bir verinin beraber kullanılmasıdır.

takviyeli öğrenme: öğreticinin, sistemin ürettiği sonuç için doğru ya da yanlış olarak bir değerlendirmesidir.

yoğun öğrenme: hiyerarşik öğrenme olarak da bilinir. bu öğrenme yöntemi derin grafiklerde birçok doğrusal ve doğrusal olmayan dönüşümlerden ve çoklu işlem katmanlarından oluşturulmuş verilerde, üst düzey soyutlamalar kullanılarak elde edilen model girişimlerine dayalı bir dizi algoritmalarla geliştirilmiş makine öğrenmesidir.