„Uczenie maszynowe” odnosi się do poddziedziny nauki o komputerach osobistych (komputerach osobistych), w której komputery PC otrzymują narzędzia potrzebne do uczenia się bez konieczności programowania przez osobę. Ewolucja tego badania obejmowała rozpoznawanie wzorców i teorię uczenia się, które można znaleźć w dziedzinie sztucznej inteligencji. Maszyny będą kontynuować badania i uczyć się, jak konstruować algorytmy i dokonywać prognoz na podstawie danych dostarczonych dla tych algorytmów, np. pokonywać instrukcje programowania statycznego. Instrukcje te będą opierać się na danych w celu przewidywania lub podejmowania decyzji poprzez wykorzystanie podstawowych danych wejściowych do zbudowania modelu. Algorytmy są wymyślane w zadaniach obliczeniowych i wykonywane z optymalną wydajnością. W tym miejscu zazwyczaj stosuje się uczenie maszynowe. Przykładem tego jest sortowanie wiadomości e-mail w celu zapewnienia ich bezpieczeństwa. Uczenie maszynowe zwykle pokrywa się ze statystykami komputerów PC, w przypadku których prognozy są dokonywane za pomocą komputera PC, który ma silne powiązania z optymalizacją równań matematycznych. To także sprawia, że teorie, metody i zastosowania dominują w tej dziedzinie. Eksploracja danych, która wykorzystuje analizę danych, jest często mylona z uczeniem maszynowym. Uczenie się bez nadzoru nazywa się również analizą danych. Nawet jeśli nie jest nadzorowane, uczenie maszynowe powinno również nauczyć się tworzyć punkt odniesienia dla swojego zachowania przed wykryciem znaczących anomalii. W dziedzinie analizy danych uczenie maszynowe będzie wykorzystywane do tworzenia złożonych metod wraz z algorytmami, które będą wykorzystywane w predykcjach. Te przewidywania, jeśli są wykorzystywane komercyjnie, nazywane są analizami predykcyjnymi. Prognozy umożliwią badaczom, analitykom, inżynierom i analitykom danych podejmowanie wiarygodnych decyzji w celu odkrycia wszelkich spostrzeżeń, które mogą zostać ukryte w wyniku uczenia się na podstawie trendów danych i relacji historycznych. W 2016 roku uczenie maszynowe stało się modnym hasłem w cyklu szumu Gartnera, gdy jego oczekiwania osiągnęły szczyt. Ze względu na to, że znalezienie wzorców jest trudne, często nie ma wystarczającej liczby szkoleń.