Los datos pueden guardar secretos, especialmente si tienes muchos de ellos. Con muchos datos sobre algo, puedes examinar esos datos de formas inteligentes para encontrar patrones. Y esos patrones, que normalmente son demasiado complejos para que los detectes tú mismo, pueden decirte cómo resolver un problema. Esto es exactamente lo que hace el Machine Learning: examina grandes cantidades de datos en busca de patrones y luego genera código que te permite reconocer esos patrones en nuevos datos. Sus aplicaciones pueden utilizar este código generado para hacer mejores predicciones. En otras palabras, el machine learning puede ayudarte a crear aplicaciones más inteligentes. 
Por ejemplo, suponga que desea crear un software que pueda determinar, con un alto grado de precisión, si una transacción con tarjeta de crédito es fraudulenta. ¿Cuál es el enfoque correcto para hacer esto? Una opción es conseguir unos cuantos ingenieros, reunirse en una habitación y pensar en ello, luego escriban un código que implemente lo que se les ocurra. Esta es probablemente el enfoque más común para crear soluciones de software hoy en día, y ciertamente puede funcionar, pero si hay datos disponibles sobre el problema que está tratando de resolver, en lugar de eso, puede usar esos datos para averiguar una solución eficaz.
El método de análisis de datos que automatiza la construcción de modelos analíticos se le conoce como Machine Learning. Es una de las bastas ramas con las que cuenta la inteligencia artificial basada en la idea de que los sistemas pueden aprender de los datos, identificar patrones y tomar decisiones con la mínima intervención humana. Debido a las nuevas tecnologías informáticas, el machine learning de hoy no es como el machine learning del pasado. 
Nació del reconocimiento de patrones y la teoría de que las computadoras pueden aprender sin ser programadas para realizar tareas específicas. El aspecto iterativo del machine learning es importante porque a medida que los modelos se exponen a nuevos datos, pueden adaptarse de manera independiente. Aprenden de los cálculos anteriores para producir decisiones y resultados confiables y repetibles. Es una ciencia que no es nueva, pero que ha ganado un nuevo impulso. Si bien muchos algoritmos de machine learning han existido durante mucho tiempo, la capacidad de aplicar automáticamente cálculos matemáticos complejos a grandes datos, una y otra vez, más rápido y más rápido, es un desarrollo reciente. El creciente interés en el machine learning se debe a los mismos factores que han hecho que la minería de datos y el análisis Bayesiano sean más populares que nunca. Cosas como volúmenes crecientes y variedades de datos disponibles, procesamiento computacional que es más barato y más poderoso, y almacenamiento de datos asequible. Todas estas cosas significan que es posible producir rápida y automáticamente modelos que puedan analizar datos más grandes y complejos y entregar resultados más rápidos y precisos, incluso a gran escala. Y al construir modelos precisos, una organización tiene una mejor oportunidad de identificar oportunidades rentables o de evitar riesgos desconocidos.
