기계학습은 어떤 정보 시스템에 특정한 일이나 작업을 수행하기 위한 방법을 학습시키는 방법론을 말한다.

사람은 평생을 살면서 학습을 한다. 학습을 해야하는 이유는 변화무쌍한 환경에서 살아남기 위한 이유에서 찾을 수 있다. 옛 고대인들은 사냥을 위한 여러 동물들에 대한 관찰과 주어진 환경에서의 무기 제조능력은 이러한 인간의 학습능력을 잘 보여주는 예이다. 현대는 이전 세대보다 훨씬 급변하고 있다. 이전까지의 정보 시스템은 기록해둔 데이터베이스를 연결하여 그 데이터베이스에서 일치하는 자료를 출력했다. 이러한 방법은 곧 한계에 부딧쳤다. 만약 음성인식을 통한 교육로봇을 만든다고 한다면 어떻게 할 것인가? 사람의 음역대는 가지각색이며 주위의 소음이 명령어를 인식하는데 방해할 수도 있다. 이러한 문제점을 해결하기 위해 기계학습은 연구되어왔다.
기계학습의 정의는 카네기멜론 대학교 톰 미첼 교수의 머신러닝에서 말한 정의를 보면
"만약 컴퓨터 프로그램이 특정한 테스크 T를 수행할 때 성능 P만큼 개선되는 경험 E를 보이면 그 컴퓨터 프로그램은 태스크 T와 성능 P에 대한 경험 E를 학습했다라고 할 수 있다."
단편적인 예로 공장에서 불량품을 자동검사할 때
테스크 T : 완제품 중 불량품을 인식하고 분류하는 것
성능 P : 불량품을 정확히 구분한 확률
학습 경험 E : 불량품을 구분하기 위한 불량요소에 대한 데이터셋 이다.

실무적으로 기계학습에 대한 정의는 다음 식으로 나타낼 수 있다.

학습 = 표현 + 평가 + 최적화
여기서 각 세부적인 항목을 보면
표현 : 결과값을 만들지 결정하는 방법
평가 : 시스템이 작업을 얼마나 잘 수행했는지 정량적으로 표현하는 방법
최적화 : 결과값에 영향을 안주면서 더욱 빠르게 처리할 수 있는 방법

이러한 기계학습은 급속도로 발전하고 있으며 실사용분야도 매우 다양한 편이다.

사람의 학습방법도 각자 다르고 장단점이 있듯이 기계학습의 분류도 많이 있다. 기계학습은 크게 지도학습과 비지도학습으로 구분한다. 지도학습은 롤모델을 설정해두고 그 롤모델에 가까워지도록 연습하는 화가와 같다. 비지도학습은 주어진 데이터와의 관계를 찾는 학습을 말한다. 비지도학습의 결과는 맞는지 확인할 길이 없지만 거의 모든 데이터를 이용한 학습이 가능하다. - 작성중-