機器學習（Machine Learning, ML）是人工智慧領域的核心技術之一，其基本理念是讓電腦透過數據學習模式與規則，而非僅依靠人工編寫的固定指令。換言之，機器學習使系統具備「從經驗中改進」的能力，隨著資料的增加而不斷提升表現。
在技術分類上，機器學習可大致分為三類：監督式學習（Supervised Learning）、非監督式學習（Unsupervised Learning） 與 強化學習（Reinforcement Learning）。監督式學習常用於分類與迴歸問題，例如垃圾郵件辨識或房價預測；非監督式學習則多用於聚類與降維，例如顧客分群或特徵壓縮；強化學習則透過「試錯」與「獎勵機制」來學習策略，廣泛應用於遊戲 AI、機器人控制與自駕車領域。
在實務應用上，機器學習驅動了眾多技術進展，包括語音辨識、影像識別、推薦系統與金融風險分析。其核心方法涵蓋決策樹、支援向量機（SVM）、隨機森林以及深度神經網路等多種演算法。
然而，機器學習也面臨挑戰，例如訓練資料的偏差、模型的可解釋性與運算資源消耗等問題。未來的發展重點，將在於如何平衡效能與透明度，並在保障隱私與公平性的前提下，推動更具信任度的 AI 應用。