Il machine learning è una branca della scienza informatica che prende le mosse dagli studi sul pattern recognition e sulla teoria dell'apprendimento computazionale. Si tratta, dunque, di una disciplina strettamente affine all'intelligenza artificiale, con la quale condivide scopi e metodi di lavoro. Come per l'AI (Artificial Intelligence), anche gli scienziati impegnati nel campo dell'apprendimento automatico studiano algoritmi che permettano di rendere "intelligenti" macchine informatiche altrimenti incapaci di prendere decisioni autonome.
Nello specifico, il machine learning (o apprendimento automatico) è un metodo di analisi dei dati che punta ad automatizzare la creazione di modelli analitici. Grazie a speciali algoritmi che apprendono iterativamente partendo da una base dati fornita dall'uomo, il machine learning permette a computer e altri sistemi informatici di apprendere nuove nozioni e informazioni, prendere decisioni ed effettuare predizioni senza che siano stati precedentemente istruiti per farlo.
L'aspetto iterativo è fondamentale nella costruzione di un sistema machine learning correttamente funzionante. Una macchina settata per l'apprendimento automatico, infatti, deve essere in grado di adattarsi in maniera indipendente a nuovi set di dati in maniera tale da riuscirne sempre a ricavare informazioni utili a risolvere problemi sempre nuovi e differenti.
I task del machine learning sono tipicamente in tre macrocategorie, a seconda della natura della base dati utilizzata per l'apprendimento o del feedback disponibile per il sistema di apprendimento automatico.
L'apprendimento automatico, dunque,può essere utilizzato per gli scopi e nei settori più disparati. Quelli citati nel paragrafo precedente sono solo alcune delle possibili applicazioni del learning machine. Gli algoritmi "autoapprendenti" trovano impiego anche nel campo della pubblicità online, fornendo annunci pubblicitari ad hoc a seconda del profilo dell'internauta (la cosiddetta pubblicità tracciante). Un altro settore è quello della social intelligence, nella quale il learning machine è utilizzato nell'analisi del sentiment (opinione positiva, negativa o neutra su determinati argomenti) dei post e degli interventi sui social network.
Da non sottovalutare, inoltre, l'importanza dell'apprendimento automatico nella facial recognition, la tecnologia che permette a Facebook (solo per citare una delle tante aziende hi-tech che ne fa uso) di riconoscere visi e taggarli in automatico ogni volta che si posta una foto sul proprio profilo. I filtri antispam, infine, sono basati su potenti algoritmi di learning machine in grado di intercettare messaggi di posta elettronica fraudolenti ed eliminarli prima che l'utente possa aprirli.
L'apprendimento automatico ha affinità anche con diverse altre discipline informatiche e statistiche. Il machine learning, ad esempio, ha molti punti di contatto con il data mining, processo computazionale che utilizza algoritmi e metodi statistici per individuare modelli e conoscenze all'interno di grandi dataset (i big data in particolare).
Allo stesso tempo, ci sono relazioni piuttosto strette con la statistica computazionale e l'ottimizzazione matematica: la prima ha lo scopo di progettare algoritmi per implementare metodi statistici nella scienza informatica; la seconda realizza invece modelli statistici e matematici che possono essere utilizzati nell'ambito del riconoscimento dei modelli elaborati dalle intelligenze artificiali legati all'apprendimento automatico.