机器学习为现代生活的许多功能提供了动力，包括搜索引擎、社交媒体和自动驾驶汽车，并且越来越多地应用于其他领域，如科学和艺术。

由于机器学习系统使用数据来做出决策或预测，因此有偏见或不完整的数据集可能会导致次优或意外的结果。

计算机科学家根据系统的使用方式选择不同的机器学习方法。例如，强化学习通过在系统正确执行动作时提供奖励来教授系统与环境交互。使用数据的另外两种常见方法是监督学习和无监督学习，前者适用于自动驾驶汽车中使用的计算机视觉系统，后者用于需要对数据进行聚类的情况（例如，流媒体服务的受众细分或向在线购物者推荐产品）。

这幅漫画展示了有监督和无监督的机器学习方法。