L’apprentissage machine est principalement utilisé pour résoudre des problèmes pour lesquels des algorithmes explicites sont difficiles à concevoir ou à programmer.

La plupart des algorithmes de l’apprentissage machine analysent d’abord les caractéristiques du mécanisme potentiel créé par les données et qualifie la relation complexe, et utilise ensuite ce schéma identifié pour faire des prédictions sur les nouvelles données. L’apprentissage machine a une relation profonde avec l’exploration de données ou des problèmes d’optimisation statistique et mathématique car il extrait des standards utiles de règles, d’expression des connaissances, ou de jugement à partir des données.

L’apprentissage machine est utilisé pratiquement dans tous les domaines, y compris la science de l’informatique, et est appliqué dans les domaines de vision par ordinateur (reconnaissance des caractères, reconnaissance des objets, reconnaissance de la face), processus naturel de la langue (traduction automatique, analyse d’une conversation), reconnaissance de la voix et reconnaissance de l’écriture à la main, recherche de l’information et moteur de recherche (exploration du texte, filtre de perception, extraction et résumé, système des recommandations), bio-informatique (analyse des gènes, classification des protéines, diagnostique des maladies), graphiques et jeux sur ordinateur (animation, réalité virtuelle), et robotique (recherche des itinéraires, voitures sans conducteur, reconnaissance et classification d’objets).