Pembelajaran mesin telah ditakrifkan oleh Andrew Ng, seorang saintis komputer di Stanford University, sebagai "sains untuk mendapatkan komputer untuk bertindak tanpa secara eksplisit diprogramkan." Ia mula-mula dipupuk pada tahun 1950-an, tetapi mengalami kemajuan terhad sehingga sekitar 21 abad. Sejak itu, pembelajaran mesin telah menjadi daya penggerak di sebalik beberapa inovasi, terutamanya kecerdasan buatan.
Pembelajaran mesin boleh dibahagikan kepada beberapa kategori, termasuk pembelajaran yang diawasi, tanpa pengawasan, separuh diselia dan peneguhan. Walaupun pembelajaran yang diawasi bergantung pada data masukan berlabel untuk menghimpunkan hubungannya dengan hasil output, pembelajaran tanpa pengawasan mengesan corak di antara data masukan tidak berlabel. Pembelajaran seminari diselia menggunakan gabungan kedua-dua kaedah, dan pembelajaran tetulang memotivasi program untuk mengulang atau menghuraikan proses dengan hasil yang diingini sambil mengelakkan kesalahan. (Untuk mengetahui sejarah pengaturcaraan, periksa Pemrograman Komputer: Dari Bahasa Mesin ke Kecerdasan Buatan.)
Beberapa industri yang berbeza telah mendapat manfaat daripada pembelajaran mesin, dan terdapat peningkatan permintaan untuk produk dan perkhidmatan ML di seluruh dunia maju. Perniagaan pelbagai jenis memanfaatkan keupayaan ramalannya, dan berusaha untuk membangunkan kaedah pembelajaran mesin preskriptif untuk membuat keputusan yang bermaklumat. Terdapat banyak cara yang berbeza bagi syarikat untuk mendekati teknologi ini, termasuk beberapa bahasa pengaturcaraan yang menonjol di lapangan.
