供应了机器学习的两种定义。
亚瑟·塞缪尔（Arthur Samuel）将其描述为：“使打算机无需明确编程即可学习的学习领域”。
这是一个较旧的非正式定义。

汤姆·米切尔（Tom Mitchell）供应了一个更当代的定义：“如果某打算机程序在T任务中的性能（由P衡量）随着履历E的提高而提高，则可以说它是从履历E中学习有关某类任务T和性能度量P的。
”

例如：玩跳棋。

E =玩过许多跳棋游戏的履历

T =扮演跳棋的任务。

P =程序将赢得下一场比赛的概率。

监督学习

在监督学习中，我们得到了一个数据集，并且已经知道我们的精确输出该当是什么样子，并且认为输入和输出之间存在关系。

监督学习问题分为“回归”和“分类”问题。
在回归问题中，我们试图预测连续输出中的结果，这意味着我们试图将输入变量映射到某个连续函数。
在分类问题中，我们改为考试测验预测离散输出的结果。
换句话说，我们正在考试测验将输入变量映射为离散种别。

范例1：

给定有关房地产市场上房屋大小的数据，请考试测验预测其价格。
价格作为规模的函数是一个连续的输出，因此这是一个回归问题。

我们可以通过输出有关房屋是否“以高于或低于要价***的价格”的输出来将这个示例转变为分类问题。
在这里，我们将根据价格将房屋分为两类。

范例2：

（a）回归-给定一个人的照片，我们必须根据给定的照片来预测他们的年事

（b）分类-对付患有肿瘤的患者，我们必须预测肿瘤是恶性还是良性的。

无监督学习

无监督学习使我们险些或根本不理解结果该当如何处理问题。
我们可以从数据中得到构造，而不必知道变量的影响。

我们可以通过基于数据中变量之间的关系对数据进行聚类来推导此构造。

在无监督学习的情形下，没有基于预测结果的反馈。

例：

聚类：网络1,000,000个不同基因的凑集，然后找到一种方法，将这些基因自动分组为通过不同变量（例如寿命，位置，角色等）在某种程度上相似或干系的组。

非集群：“鸡尾酒会算法”，使您可以在混乱的环境中找到构造。
（即在鸡尾酒会上从一系列声音中识别出个人声音和音乐）。