یادگیری ماشینی علمی است که به برنامه های نرم افزاری این امکان را می دهد بدون نیاز به یک برنامه نویسی صریح یاد بگیرند. الگوریتم‌های یادگیری ماشینی، بر اساس داده‌های نمونه یا داده‌های آموزشی، یک مدل ریاضی ایجاد می‌کنند و با استفاده از آنها بدون برنامه‌ریزی آشکار، قادر به پیش‌بینی یا تصمیم‌گیری خواهند بود. یادگیری ماشین یا ماشین لرنینگ به طور کلی به سه گروه تقسیم می‌شود

یادگیری نظارت شده   

یادگیری نظارتی همان یادگیری با استفاده از مفاهیم گذشته برای پیش بینی آینده است 
در این نوع یادگیری ماشین ، الگوریتم‌هایی را با داده‌های آموزشی برچسب‌گذاری شده آموزش می‌دهند . به عبارت دیگر داده ها از قبل برچسب گذاری میشوند

یادگیری بدون نظارت 

یادگیری غیر نظارتی معادل یادگیری با استفاده از داده های خام و غیر برچسب گذاری شده است
این نوع یادگیری ماشین شامل الگوریتم‌هایی است که با استفاده از داده‌های بدون برچسب آموزش می‌بینند. الگوریتم یادگیری بدون نظارت از طریق مجموعه داده‌های ورودی خود، هر گونه ارتباط معنی‌دار میان آن‌ها را ارزیابی می‌کند. به عبارت بهتر، در این شیوه‌ی یادگیری ماشین داده‌هایی که الگوریتم‌ها روی آن‌ها آموزش می‌بینند و همچنین پیش‌بینی‌ها یا توصیه‌هایی که در خروجی تولید می‌کنند، از پیش تعیین شده‌ هستند  
 

یادگیری تقویتی

یادگیری تقویتی نیز برای شرایطی است که مدل یاد می‌گیرد بر اساس بازخورد از محیط، تصمیم بگیرد. در نهایت، باید بگوییم که دیپ لرنینگ با یادگیری ماشینی تفاوت دارد، زیرا از شبکه‌های عصبی 
با لایه‌های متعدد برای یادگیری داده‌های پیچیده استفاده می‌کند. مدل‌های یادگیری عمیق می‌توانند به‌طور خودکار ویژگی‌ها را از داده‌ها استخراج و آن‌ها را قوی‌تر از مدل‌های یادگیری ماشین سنتی کنند مدل‌های یادگیری عمیق به ویژه برای کارهایی مانند تشخیص تصویر و گفتار کارآمد و موثر خواهند بود