Makine öğrenmesinin temel dayanağı, giriş verisini alabilen algoritmalar oluşturmak ve çıktıları yeni veriler ortaya çıktıkça güncellerken bir çıktıyı tahmin etmek için istatistiksel analiz kullanmaktır. Makine öğreniminde yer alan süreçler, veri madenciliği ve tahmin modellemesine benzerdir. Her ikisi de, kalıpları aramak ve program eylemlerini buna göre ayarlamak için veri aramayı gerektirir.

Birçok kişi, internetten alışveriş yapmaktan ve satın alma işlemleriyle ilgili reklamlar yayınlamaktan makine öğrenimini bilmektedir. Bunun nedeni, öneri motorlarının neredeyse gerçek zamanlı olarak çevrimiçi reklam yayınını kişiselleştirmek için makine öğrenimini kullanmasıdır. Kişiselleştirilmiş pazarlamanın ötesinde, diğer yaygın makine öğrenimi kullanım durumları arasında sahtekârlık tespiti, spam filtreleme, ağ güvenliği tehdit algılama, tahmini bakım ve bina haber beslemeleri yer almaktadır.

Makine öğrenimi algoritmaları genellikle denetlenen veya denetlenmeyen olarak kategorize edilir. Algılanan algoritmalar, algoritma eğitimi sırasında tahminlerin doğruluğu hakkında geri bildirim sağlamanın yanı sıra, hem girdi hem de istenen çıktıyı sağlamak için makine öğrenim becerileri ile bir veri bilimcisi veya veri analisti gerektirir. Veri bilimcileri, modelin hangi değişkenleri veya özellikleri analiz edeceğini ve tahminleri geliştirmek için kullanacağını belirler. Eğitim tamamlandığında, algoritma öğrenilenleri yeni verilere uygulayacaktır.

Denetlenmeyen algoritmaların istenen sonuç verileriyle eğitilmesi gerekmez. Bunun yerine, verileri gözden geçirmek ve sonuçlara varmak için derin öğrenme denen yinelemeli bir yaklaşım kullanırlar. Denetimsiz öğrenme algoritmaları (aynı zamanda sinir ağları olarak da adlandırılır) görüntü tanıma, konuşma-metin ve doğal dil üretimi de dâhil olmak üzere denetimli öğrenme sistemlerinden daha karmaşık işlem görevleri için kullanılır. Bu sinir ağları, milyonlarca eğitim verisi örneğini tarayarak ve birçok değişken arasında sıklıkla ince korelasyonları otomatik olarak tespit ederek çalışır. Eğitildikten sonra, algoritma yeni verileri yorumlamak için veri bankasını kullanabilir. Bu algoritmalar, büyük miktarlarda eğitim verisi gerektirdiğinden, büyük veri çağında ancak uygulanabilir hale gelmiştir.