컴퓨터 프로그램이 데이터와 처리 경험을 이용한 학습을 통해 정보 처리 능력을 향상시키는 것 또는 이와 관련된 연구.
기계 학습은 자율 주행 자동차, 필기체 문자 인식 등과 같이 알고리즘 개발이 어려운 문제의 해결에 유용하다.

대부분의 기계 학습은 다수의 파라미터로 구성된 모델을 이용하며, 주어진 데이터로 파라미터를 최적화하는 것을 학습이라고 한다. 기계 학습은 학습 문제의 형태에 따라 지도형 기계 학습(supervised learning), 비지도형 기계 학습(unsupervised learning) 및 강화형 기계 학습(reinforcement learning)으로 구분한다.
지도형 기계 학습(supervised learning)은 입력값과 그에 따른 출력값이 있는 데이터를 이용하여 주어진 입력에 맞는 출력을 찾는 학습방법이다. 예를 들어 컴퓨터가 주차장 입구에서 자동차 번호판을 인식할 때 번호판이 오염된 경우 제대로 인식하지 못할 수 있다. 이 경우 다양하게 오염된 번호판 사례와 정상 번호판을 각각 입력과 출력 쌍으로 학습시켜 번호판 인식률을 높일 수 있다.
비지도형 기계 학습(unsupervised learning)은 입력값만 있는 훈련 데이터를 이용하여 입력들의 규칙성을 찾는 학습방법이다. 비지도형 기계 학습의 출력 결과는 지도형 기계 학습의 입력으로 사용되거나, 인간 전문가에 의해 해석된다.
강화형 기계 학습(reinforcement learning)은 주어진 상태(입력)에 대해 최적의 행동값(출력)을 선택하는 학습방법이다. 주어진 입력에 대응하는 행동을 취하는 시스템에 대해 적용하며, 이러한 시스템의 예로 로봇이나 게임의 플레이어 등을 들 수 있다. 강화형 기계 학습에서는 지도 학습과 달리 주어진 입력에 대한 출력, 즉 정답 행동이 주어지지 않는다. 대신 일련의 행동의 결과에 대해 보상(reward)이 주어지게 되며, 시스템은 이러한 보상을 이용해 학습을 행한다.