El aprendizaje automático (ML, por sus siglas en inglés de "machine learning") es una rama de la inteligencia artificial que se enfoca en el desarrollo de algoritmos y modelos que permiten a las computadoras aprender a partir de datos y mejorar su rendimiento en tareas específicas sin ser programadas explícitamente para cada tarea en particular.

En el aprendizaje automático, los modelos se entrenan utilizando conjuntos de datos de entrenamiento, y luego se utilizan para realizar predicciones o tomar decisiones basadas en nuevos datos. Los modelos de aprendizaje automático pueden ser supervisados o no supervisados, según si se proporciona o no información previa de la clase o etiqueta de los datos de entrenamiento.

Muchos de los algoritmos desarrollados están basados en los sistemas nerviosos biológicos, que emulan el proceso biológico de reconocimiento, aprendizaje y generalización.

Sin embargo, el Machine Learning no es un proceso simple. A medida que los algoritmos ingieren los datos de entrenamiento, es posible crear modelos más precisos basados en estos datos. Un modelo de Machine Learning es el resultado que se genera cuando se entrena un algoritmo de Aprendizaje Automático con datos. Por ejemplo, un algoritmo predictivo crea un modelo predictivo.

Después del entrenamiento, cuando se le proporcionan datos de entrada a un modelo, se recibe un resultado de salida, que permite resolver el problema para el que se ha entrenado.

Los modelos de aprendizaje automático se utilizan en una amplia variedad de aplicaciones, incluyendo el reconocimiento de patrones, el procesamiento de lenguaje natural, la visión por computadora, la detección de fraudes, la optimización de procesos y la toma de decisiones. El aprendizaje automático es una tecnología clave en el desarrollo de sistemas de inteligencia artificial y robots autónomos.