Bir çox obyekt (vəziyyət) və mümkün cavablar (cavablar, reaksiyalar) var. Cavablar və obyektlər arasında müəyyən əlaqə var, amma bilinmir. Yalnız son dərəcə əvvəlcədən bilinən bir dəstə məlumdur - təlim obyekti adlanan "obyekt, cavab" cütləri. Bu məlumatlara əsasən gizli asılılığı bərpa etmək, yəni mümkün olan hər bir giriş obyekti üçün kifayət qədər dəqiq təsnifat cavabı verə bilən bir alqoritm qurmaq tələb olunur. Bu asılılıq mütləq analitik şəkildə ifadə edilmir və burada neyron şəbəkələr empirik şəkildə yaradılan həll prinsipini tətbiq edirlər. Bu vəziyyətdə əhəmiyyətli bir xüsusiyyət, təlim sisteminin ümumiləşdirmə, yəni mövcud təlim nümunəsindən kənara çıxan məlumatlara adekvat cavab vermək bacarığıdır. Cavabların düzgünlüyünü ölçmək üçün qiymətləndirici keyfiyyət funksiyası tətbiq olunur.

Bu parametr funksiyaların yaxınlaşmasının klassik problemlərinin ümumiləşdirilməsidir. Yaxınlaşmanın klassik problemlərində obyektlər həqiqi ədədlər və ya vektorlardır. Həqiqi tətbiq olunan problemlərdə obyektlər haqqında giriş məlumatları natamam, qeyri-saylı və heterojen ola bilər. Bu xüsusiyyətlər maşın öyrənmə üsullarının müxtəlifliyinə səbəb olur.

Maşın öyrənmə bölməsi, bir tərəfdən, neyron şəbəkələri elminin təlim şəbəkələri metodlarına və onların memarlığının topologiyalarının növlərinə bölünməsi nəticəsində yaranmışdı, digər tərəfdən isə riyazi statistikanın metodlarını özündə cəmləşdirmişdir. Aşağıdakı maşın öyrənmə metodları neyron şəbəkələrin istifadəsi vəziyyətinə əsaslanır, baxmayaraq ki, təlim nümunəsi anlayışını istifadə edən digər metodlar mövcuddur - məsələn, müşahidə olunan statistikanın ümumiləşdirilmiş dəyişməsi və kovaransı ilə işləyən diskriminant təhlil və ya Bayesiya təsnifatçıları. Neyron şəbəkələrinin əsas növləri, məsələn, qavrayış və çox qatlı qavrayış (eləcə də onların modifikasiyası), müəllimlə və ya olmadan, möhkəmləndirmə və özünü təşkili ilə öyrədilə bilər. Ancaq bəzi neyron şəbəkələri və əksər statistik metodlar yalnız təlim metodlarından birinə aid edilə bilər. Buna görə də, təlim metodundan asılı olaraq maşın öyrənmə metodlarını təsnifləşdirmək lazımdırsa, sinir şəbəkələrini müəyyən bir növə təsnif etmək düzgün olmazdı, sinir şəbəkələri üçün təlim alqoritmlərini yazmaq daha düzgün olardı.

• Təsnifat ümumiyyətlə həqiqi təlim mərhələsində nəzarət olunan təlim vasitəsilə aparılır.
• Klasterləşdirmə adətən nəzarətsiz öyrənmə ilə aparılır
• Reqressiya, bir qayda olaraq, test mərhələsində nəzarət olunan təlimlərdən istifadə olunmaqla proqnozlaşdırılan problemlər üçün xüsusi haldır.
• Məlumatların azaldılması və vizuallaşdırılması nəzarətsiz öyrənmədən istifadə edilir
• Bir verilənlər bazasından ehtimal sıxlığı paylanmasının yenidən qurulması
• Bir sinif təsnifat və yeniliyin aşkarlanması
• Rütbə asılılığı

• Obyektlərin atribut təsviri və ya obyekt-atributların matrisi ən çox yayılmış haldır. Hər bir obyekt bir sıra xüsusiyyətlərlə təsvir edilmişdir.
• Cisimlər arasındakı məsafə matrixi. Hər bir obyekt təlim dəstinin digər bütün obyektlərinə olan məsafələr, əksər hallarda cüt bənzərlik münasibətləri ilə təsvir olunur.
• Vaxt seriyası və ya siqnal. Zamanla ölçü ardıcıllığı, bir sıra, bir vektor və ümumi vəziyyətdə təmsil oluna bilər - müəyyən bir anda bir xüsusiyyət təsviri.
• Şəkil və ya video ardıcıllığı.

• Süni neyron şəbəkələr

• Proqram təminatı mühəndisliyi
• Bioinformatika

• Айвазян, Сергей Арутюнович, Енюков И. С., Мешалкин Л. Д. Прикладная статистика: основы моделирования и первичная обработка данных. — М.: Финансы и статистика, 1983.
• Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: исследование зависимостей. — М.: Финансы и статистика, 1985.
• Айвазян С. А., Бухштабер, Виктор Матвеевич, Енюков И. С., Мешалкин Л. Д. Прикладная статистика: классификация и снижение размерности. — М.: Финансы и статистика, 1989.
• Вапник, Владимир Наумович Восстановление зависимостей по эмпирическим данным. — М.: Наука (издательство), 1979.
• Журавлёв, Юрий Иванович (математик)., Рязанов В. В., Сенько О. В. "Распознавание". Математические методы. Программная система. Практические применения. — М.: Фазис, 2006. ISBN 5–7036-0108–8.
• Загоруйко Н. Г. Прикладные методы анализа данных и знаний. — Новосибирск: ИМ СО РАН, 1999. ISBN 5–86134-060–9.
• Флах П. Машинное обучение. М.: ДМК Пресс. 2015. ISBN 978-5-97060-273-7.
• Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. — Киев: Наукова думка, 2004. ISBN 966–00-0341–2.
• Hastie, T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. — 2nd ed. — Springer-Verlag, 2009. — 746 p. — ISBN 978-0-387-84857-0.
• Mitchell T. Machine Learning. — McGraw-Hill Science/Engineering/Math, 1997. ISBN 0–07-042807–7.
• Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983), Machine Learning: An Artificial Intelligence Approach, Tioga Publishing Company, ISBN 0–935382-05–4 ( Google Books-da).
• Vapnik V. N. Statistical learning theory. — N.Y.: John Wiley & Sons, Inc., 1998.
• Bernhard Schölkopf, Alexander J. Smola Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond. — MIT Press, Cambridge, MA, 2002 ISBN 978–0-262–19475-4
• I. H. Witten, E. Frank Data Mining: Practical Machine Learning Tools and Techniques (Second Edition). — Morgan Kaufmann, 2005 ISBN 0–12-088407–0
• Liang Wang, Li Cheng, Guoying Zhao. Machine Learning for Human Motion Analysis. IGI Global. 2009. ISBN 978-1-60566-900-7.