Mašīnu mācīšanos Stenfordas universitātes datorzinātnieks Endrjū Ngs ir definējis kā “zinātni, kā panākt, lai datori darbotos bez tiešas ieprogrammēšanas.” Tā sākotnēji tika iecerēta pagājušā gadsimta piecdesmitajos gados, taču līdz 21. gs. Apgrozījumam tā bija ierobežota. gadsimtā. Kopš tā laika mašīnmācība ir bijis vairāku jauninājumu, īpaši mākslīgā intelekta, virzītājspēks.
Mašīnmācību var iedalīt vairākās kategorijās, ieskaitot uzraudzītu, neuzraudzītu, daļēji uzraudzītu un pastiprinošu mācīšanos. Kamēr uzraudzītā mācīšanās paļaujas uz marķētiem ievades datiem, lai izsecinātu tā saistību ar izvades rezultātiem, neuzraudzīta mācīšanās atrod modeļus bez iezīmētajiem ievades datiem. Daļēji uzraudzītā mācīšanās izmanto abu metožu kombināciju, un mācīšanās pastiprināšana motivē programmas atkārtot vai pilnveidot procesus ar vēlamajiem rezultātiem, vienlaikus izvairoties no kļūdām. (Lai uzzinātu par programmēšanas vēsturi, iepazīstieties ar datorprogrammēšanu: no mašīnu valodas līdz mākslīgajam intelektam.)
Vairākas dažādas nozares jau gūst labumu no mašīnmācības, un visā attīstītajā pasaulē palielinās pieprasījums pēc ML produktiem un pakalpojumiem. Visu veidu uzņēmumi izmanto tā prognozēšanas iespējas un cenšas izstrādāt preskriptīvas mašīnmācīšanās metodes, lai pieņemtu apzinātus lēmumus. Uzņēmumiem ir daudz dažādu veidu, kā pieiet šai tehnoloģijai, ieskaitot vairākas programmēšanas valodas, kas šajā jomā izceļas.
