Oder englisch Machine Learning (ML) ist ein Teilgebiet der KI und Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten. So kann das System unbekannte Daten beurteilen (Lerntransfer), aber auch am Lernen unbekannter Daten scheitern (Überanpassung; englisch overfitting).

Beim maschinellen Lernen spielen Art und Mächtigkeit der Wissensrepräsentation eine wichtige Rolle. Man unterscheidet zwischen symbolischen Ansätzen, in denen das Wissen – sowohl die Beispiele als auch die induzierten Regeln – explizit repräsentiert ist, und nicht-symbolischen Ansätzen, wie Künstliche Neuronale Netze, denen zwar ein berechenbares Verhalten „antrainiert“ wird, die jedoch keinen Einblick in die erlernten Lösungswege erlauben; hier ist Wissen implizit repräsentiert.

Die praktische Umsetzung geschieht mittels Algorithmen. Verschiedene Algorithmen aus dem Bereich des ML lassen sich grob in zwei Gruppen einteilen: unüberwachtes Lernen und überwachtes Lernen (Verwendung Trainingsdaten im Unterschied zu unüberwachtem Lernen bereits mit dazugehörigen vorgegebenen Ergebnissen), wiederum unterteilbar in hier nicht weiter erklärte Teilgebiete wie z.B. die automatische Klassifizierung oder Unterkategorien wie teilüberwachtes Lernen, bestärkendes Lernen oder aktives Lernen.