Ang pagkatuto ng makina ay tinukoy ni Andrew Ng, isang siyentipiko sa computer sa Stanford University, bilang "ang agham ng pagkuha ng mga computer na kumilos nang hindi malinaw na na-program." Una itong ipinaglihi noong 1950s, ngunit nakaranas ng limitadong pag-unlad hanggang sa paligid ng ika-21 siglo. Simula noon, ang pag-aaral ng makina ay isang puwersa sa pagmamaneho sa likod ng isang bilang ng mga makabagong ideya, higit sa lahat kilalang artipisyal na katalinuhan.
Ang pag-aaral ng makina ay maaaring masira sa maraming mga kategorya, kabilang ang pinangangasiwaan, hindi sinusuportahan, semi-supervised at pampalakas na pagkatuto. Habang ang pinangangasiwaang pag-aaral ay nakasalalay sa data ng naka-label na may marka upang maibahagi ang mga kaugnayan nito sa mga resulta ng output, ang hindi sinusubaybayan na pag-aaral ay nakakakita ng mga pattern sa mga hindi pinapabalitang data ng pag-input. Ang pag-aaral na pinamamahalaan ng semi ay gumagamit ng isang kumbinasyon ng parehong mga pamamaraan, at ang pag-aaral ng pampalakas ay nagtutulak sa mga programa na ulitin o ipaliwanag sa mga proseso na may kanais-nais na mga kinalabasan habang iniiwasan ang mga pagkakamali. (Upang malaman ang tungkol sa kasaysayan ng programming, tingnan ang Programming ng Computer: Mula sa Wika ng Machine hanggang sa Artipisyal na Intelligence.)
Maraming iba't ibang mga industriya ay nakinabang mula sa pag-aaral ng makina, at mayroong pagtaas ng demand para sa mga produktong ML at mga serbisyo sa buong mundo. Ang mga negosyo ng lahat ng mga uri ay sinasamantala ang mga mahuhulaan na kakayahan nito, at naghahangad na bumuo ng mga paraan ng pag-aaral ng prescriptive machine upang makagawa ng mga pasyang desisyon. Maraming iba't ibang mga paraan para sa mga kumpanya na lapitan ang teknolohiyang ito, kasama ang maraming mga wika sa programming na nakatayo sa larangan.
