ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນສາຂາການສຶກສາທີ່ໃຫ້ຄອມພິວເຕີສາມາດຮຽນຮູ້ຈາກຂໍ້ມູນ, ເປັນຈຸດໃຈກາງຂອງເກືອບທຸກວິໄນທາງວິທະຍາສາດ, ແລະການສຶກສາທົ່ວໄປ (ຄືການຄາດເດົາ) ຈາກຂໍ້ມູນແມ່ນຫົວຂໍ້ຫຼັກຂອງການຮຽນຮູ້ເຄື່ອງຈັກ. ຫຼັກສູດນີ້ເຮັດໃຫ້ການແນະນໍາລະດັບຈົບການສຶກສາກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກແລະການຄຸ້ມຄອງໃນຄວາມເລິກຂອງວິທີການໃຫມ່ແລະກ້າວຫນ້າທາງດ້ານໃນການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊັ່ນດຽວກັນກັບທິດສະດີພື້ນຖານຂອງເຂົາເຈົ້າ. ມັນເນັ້ນຫນັກເຖິງວິທີການທີ່ມີຄວາມກ່ຽວຂ້ອງໃນການປະຕິບັດແລະປຶກສາຫາລືກ່ຽວກັບການນໍາໃຊ້ທີ່ຜ່ານມາຂອງການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊັ່ນ: ການຂຸດຄົ້ນຂໍ້ມູນ (ໃນຂໍ້ມູນໃຫຍ່ / ວິທະຍາສາດຂໍ້ມູນ, ການວິເຄາະຂໍ້ມູນ), ການປຸງແຕ່ງພາສາທໍາມະຊາດ, ວິໄສທັດຄອມພິວເຕີ, ຫຸ່ນຍົນ, ຊີວະຂໍ້ມູນຂ່າວສານແລະການປະມວນຜົນຂໍ້ມູນເວັບ. ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຖືກນໍາໃຊ້ໃນອຸດສາຫະກໍາຕ່າງໆລວມທັງການບໍລິການທາງດ້ານການເງິນ, ນ້ໍາມັນແລະອາຍແກັສ, ການດູແລສຸຂະພາບ, ການຕະຫຼາດແລະການໂຄສະນາ, ລັດຖະບານ, ອິນເຕີເນັດແລະອິນເຕີເນັດຂອງສິ່ງຕ່າງໆ.
ຫຼັກສູດນີ້ກວມເອົາຫລາຍໆຮູບແບບຂອງການຮຽນພາສາ, ສູດການຄິດໄລ່, ຜົນໄດ້ຮັບທາງທິດສະດີແລະການ ນຳ ໃຊ້. ມັນໃຊ້ແນວຄິດພື້ນຖານຈາກປັນຍາປະດິດ, ທິດສະດີຂໍ້ມູນຂ່າວສານ, ສະຖິຕິແລະການຄວບຄຸມທິດສະດີທີ່ບໍ່ ເໝາະ ສົມຍ້ອນວ່າມັນກ່ຽວຂ້ອງກັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ຫົວຂໍ້ປະກອບມີ: ການຮຽນຮູ້ທີ່ໄດ້ຮັບການຄວບຄຸມ (ການຮຽນຮູ້ໂດຍທົ່ວໄປ / ການແບ່ງແຍກ, ການຮຽນຮູ້ parametric / ບໍ່ແມ່ນພາລາມິເຕີ, ເຄືອຂ່າຍ neural, ເຄື່ອງສະຫນັບສະຫນູນ vector, ຕົ້ນໄມ້ຕັດສິນໃຈ, ການຮຽນຮູ້ແລະການເພີ່ມປະສິດທິພາບຂອງ Bayesian); ການຮຽນຮູ້ທີ່ບໍ່ມີການຄວບຄຸມ (ການແບ່ງກຸ່ມ, ການຫຼຸດຜ່ອນມິຕິ, ວິທີການແກ່ນ); ທິດສະດີການຮຽນຮູ້ (ຄວາມລໍາອຽງ / ການແລກປ່ຽນທີ່ແຕກຕ່າງກັນ; ທິດສະດີ VC; ຂອບຂະ ໜາດ ໃຫຍ່); ການຮຽນຮູ້ເສີມແລະການຄວບຄຸມການປັບຕົວ. ຫົວຂໍ້ອື່ນໆປະກອບມີ HMM (ຮູບແບບທີ່ເຊື່ອງໄວ້ Markov), ການຄິດໄລ່ວິວັດທະນາການ, ການຮຽນແບບເລິກເຊິ່ງ (ດ້ວຍ Neural Nets) ແລະການອອກແບບສູດການຄິດໄລ່ເຊິ່ງການປະຕິບັດງານຂອງມັນສາມາດຖືກວິເຄາະຢ່າງເຄັ່ງຄັດ ສຳ ລັບບັນຫາການຮຽນຮູ້ຂອງເຄື່ອງຈັກຂັ້ນພື້ນຖານ.
ສ່ວນຫນຶ່ງທີ່ສໍາຄັນຂອງຫຼັກສູດແມ່ນໂຄງການກຸ່ມ. ເຄື່ອງມືເປີດຕົ້ນຕໍທີ່ໃຊ້ສໍາລັບການຮຽນຮູ້ແບບຂະຫນານ, ແຈກຢາຍແລະຂະຫຍາຍຕົວຈະຖືກປົກຄຸມເປັນໄລຍະສັ້ນເພື່ອຊ່ວຍໃຫ້ນັກຮຽນເຮັດໂຄງການ. (ຫນ່ວຍງານ 4) ເງື່ອນໄຂ: ບໍ່ມີ.