Tradisjonellt løser datamaskiner problemer gjennom å bli fortalt hvordan de skal løse problemet. Maskinlæring er en type algoritmer som selv lærer å løse problemet etter å ha trent opp en modell med et datasett. Ofte skjer dette ved å finne mønstre i store datamengder.
Maskinlæring har vært brukt med stor suksess i mange år til utfordringer som som skrift-, bilde- og tale-gjenkjenning, anbefalinger, svindel-gjenkjenning og veldig mye mer. I de senere år har man oppnådd oppsiktsvekkende resultater gjennom nye former for nevrale nettverk som går under betegnelsen Dyp Læring. Dyp Læring er spesiellt god på å lære direkte av ubehandlede data.
Nye rammeverk som tensorflow og keras gjør at man relativt enkelt kan komme i gang med å eksperimentere med maskinlæring uten å investere store summer i kompetanseheving og infrastruktur.
Flere kodemakere har tatt kurset i Maskinlæring på Stanford med Andrew Ng, og noen har også fulgt opp med flere kurs innenfor fagområdet.
