機器學習（Machine Learning）是人工智能的一個分支。人工智能的研究歷史係以一支「推理」為起始點，到獲取「知識」為重點，再以此「學習」為出發點的自然、清晰的脈絡實現。顯然，機器學習是實現人工智慧的一個途徑之一。機器學習可以是監督學習、無監督學習、半監督學習與強化學習。機器學習可以被廣泛應用於居家管理、購物車、娛樂媒體，以及醫療保健業…等。機器學習理論主要是設計和分析一些讓電子計算機（電腦、數位訊號處理器或專用積體電路）可以自動「學習」的演算法。機器學習演算法是一類從資料中自動分析獲得規律，並利用規律對未知資料進行預測的演算法。機器學習在近 30多年已發展為一門多領域科際整合，涉及機率論、統計學、逼近論、凸分析、計算複雜性理論…等多門學科。
圖靈測試
圖靈測試（英語：Turing test）是英國電腦科學家·艾倫·圖靈（1912/06/23～1954/06/07）於 1950年提出的思想·實驗，圖靈也稱之為「模仿遊戲」。圖靈測試的實驗流程是由一位詢問者寫下自己的問題，隨後將問題傳送給在另一個房間中的一個人與一台機器，由詢問者根據他們所作的回答來判斷哪一個是真人，哪一個是機器。由於所有測試者都被單獨隔離，對話以純文字形式透過螢幕傳輸，因此結果不取決於機器的語音能力；這個實驗用意在「探求機器能否模仿出與人類相同或無法區分」的智慧型態。
認知科學
認知科學（cognitive science）跨越相當多層次的分析，從低層次的學習和決策機制，到高層次的邏輯和策劃能力，以至於神經系統（腦部神經·電路）。
監督式學習
監督式學習（supervised learning），可以由訓練資料中學習或建立一個模式（learning model），並依此模式推測新的實例，是機器學習方式的一種。訓練集（英語：training dataset）是由輸入物件（通常是向量）和預期輸出所組成。函數（模式）的輸出可以是一個連續的值（迴歸分析｜regression analysis），或是預測一個分類標籤（taxonomy）。
無監式督學習
無監督式學習（unsupervised learning）是針對輸入資料進行「自動分類」或「自動分群」，是機器學習方式的一種。無監督學習不需提供「事先標記過的訓練」範例，是監督式學習和強化學習…等策略之外的一種選擇，主要運用領域：聚類分析（cluster analysis）、關聯規則（association rule）、維度縮減（dimensionality reduce）。生成對抗網絡（Generative Adversarial Network，簡稱：GAN）是無監督式學習的一種方法，它通過兩個類神經網絡相互博弈的方式進行學習。
參考：得當、深度學習。
半監督學習
半監督學習（semi-supervised learning）介於監督式學習（訓練數據全部有標籤）和無監督式學習（訓練數據全部無標籤）之間。半監督學習旨在緩解訓練數據中「有標籤數據」帶來的有限問題。
強化學習
強化學習（reinforcement learning）在於強調如何基於生態環境考量而行動，用以取得最大化的預期利益。強化學習不需要帶標籤式的「輸入、輸出」配對，同時也無需對「非最優控制」作精確地糾正。強化學習也被稱作「近似動態規劃」（approximate dynamic programming，ADP）。