Pembelajaran mesin telah didefinisikan oleh Andrew Ng, seorang ilmuwan komputer di Stanford University, sebagai "ilmu membuat komputer bertindak tanpa diprogram secara eksplisit." Ini pertama kali dikandung pada tahun 1950-an, tetapi mengalami kemajuan terbatas hingga sekitar pergantian abad ke-21. abad. Sejak itu, pembelajaran mesin telah menjadi kekuatan pendorong di balik sejumlah inovasi, terutama kecerdasan buatan.
Pembelajaran mesin dapat dipecah menjadi beberapa kategori, termasuk pembelajaran yang diawasi, tidak diawasi, semi-diawasi dan penguatan. Sementara pembelajaran terawasi bergantung pada data input berlabel untuk menyimpulkan hubungannya dengan hasil keluaran, pembelajaran tanpa pengawasan mendeteksi pola di antara data input yang tidak berlabel. Pembelajaran semi-diawasi menggunakan kombinasi kedua metode, dan pembelajaran penguatan memotivasi program untuk mengulang atau menguraikan proses dengan hasil yang diinginkan sambil menghindari kesalahan. (Untuk mempelajari tentang sejarah pemrograman, lihat Pemrograman Komputer: Dari Bahasa Mesin ke Kecerdasan Buatan.)
Beberapa industri yang berbeda sudah mendapat manfaat dari pembelajaran mesin, dan ada peningkatan permintaan untuk produk dan layanan ML di seluruh negara maju. Bisnis dari segala macam mengambil keuntungan dari kemampuan prediktifnya, dan berusaha mengembangkan metode pembelajaran mesin preskriptif untuk membuat keputusan yang tepat. Ada banyak cara berbeda bagi perusahaan untuk mendekati teknologi ini, termasuk beberapa bahasa pemrograman yang menonjol di lapangan.
