Машинное обучение (machine learning, ML) — это раздел искусственного интеллекта, в котором алгоритмы обучаются на данных для решения прикладных задач без явного задания правил. Вместо того чтобы следовать строго запрограммированным инструкциям, алгоритмы учатся выявлять закономерности, прогнозировать результаты и адаптироваться к изменениям.

После обучения модель становится способной к «генерализации» — к применению полученных знаний для анализа новых данных и принятия решений в условиях, с которыми ранее не сталкивалась.

Некоторые типы машинного обучения:
Обучение с учителем (supervised learning) — модель учится на размеченных данных, где каждый пример состоит из входных параметров (признаков) и соответствующего им выхода (целевой переменной). Задача модели — изучить зависимость между входами и выходами, чтобы применять эти знания для предсказания результата на новых сведениях.

Обучение без учителя (unsupervised learning) — модель работает с неразмеченными данными. Алгоритм самостоятельно находит структуры и закономерности без подсказок о правильных ответах.

Обучение с частичным участием учителя (semi-supervised learning) — совмещённый вариант обучения с учителем и без. На старте специалист даёт модели набор данных, часть из которых размечена. Программа выводит для себя базовые закономерности и дальше работает с ними.

Обучение с подкреплением (reinforcement learning) — модель учится методом проб и ошибок, получая вознаграждения за правильные действия.