Subconjunto da Inteligência Artificial
Permite que um sistema aprenda e melhore de maneira autônoma usando redes neurais e aprendizado profundo
Não precisa ter sido programado explicitamente para isso
Permite que os sistemas de computador se ajustem e se aperfeiçoem continuamente à medida que acumulam mais "experiências"

Funcionamento

Treina algoritmos em conjuntos de dados para alcançar um resultado esperado, como identificar um padrão ou reconhecer um objeto. Machine learning é o processo de otimização do modelo para que ele possa prever a resposta correta com base nas amostras de dados de treinamento.

Supondo que os dados de treinamento sejam de alta qualidade, quanto mais amostras de treinamento o algoritmo de machine learning receber, mais preciso será o modelo.
O algoritmo ajusta o modelo aos dados durante o treinamento, no que é chamado de "processo de ajuste".
Esse processo envolve o uso de uma função de perda para medir os erros do modelo e uma técnica de otimização, como o gradiente descendente, para ajustar os parâmetros do modelo e minimizar esses erros.
Quando o resultado não corresponde ao esperado, o algoritmo é treinado repetidamente até gerar uma resposta precisa.
Essencialmente, o algoritmo aprende com os dados e alcança resultados com base na adequação da entrada e da resposta a uma linha, cluster ou outra correlação estatística.

Tipos de ML

Se refere aos modelos de treinamento utilizados

Aprendizado Supervisionado

Usa dados de treinamento rotulados (dados estruturados) para mapear um atributo específico a um rótulo.

No aprendizado supervisionado, a saída é conhecida (como o reconhecimento da imagem de uma maçã) e o modelo é treinado com dados da saída conhecida.
Em termos simples, para treinar o algoritmo a reconhecer fotos de maçãs, alimente-o com fotos rotuladas como maçãs.

Tipos de Algoritmo de Aprendizado Supervisionado

Regressão linear
Regressão polinomial
Vizinhos mais próximos exatos
Naive Bayes
Árvores de decisão

Aprendizado Não Supervisionado

Usa dados não rotulados (dados não estruturados) para aprender padrões.

Ao contrário do aprendizado supervisionado, a "correção" da saída não é conhecida antecipadamente.
O algoritmo aprende com os dados sem contribuição humana (ou seja, não supervisionado) e os categoriza em grupos com base em atributos.
Por exemplo, se o algoritmo receber fotos de maçãs e bananas, ele vai trabalhar sozinho para categorizar qual foto é uma maçã e qual é uma banana.
O aprendizado não supervisionado é bom em modelagem descritiva e correspondência de padrões.

Tipos de Algoritmo de Aprendizado Não Supervisionado

Difundido significa
Criação de cluster k-means
Clustering hierárquico
Mínimos quadrados parciais

Aprendizado Semi-supervisionado

Abordagem mista em que apenas alguns dados são rotulados.

o algoritmo precisa descobrir como organizar e estruturar os dados para chegar a um resultado conhecido.
Por exemplo, o modelo de machine learning é informado de que o resultado é uma pera, mas apenas alguns dados de treinamento são rotulados como pera.

Aprendizado por Reforço

Pode ser descrito como "aprender fazendo" com uma série de experimentos de tentativa e erro.

Um “agente” aprende a realizar uma tarefa definida por meio de um ciclo de feedback até que o desempenho esteja dentro de um intervalo desejável.
O agente recebe reforço positivo quando executa a tarefa bem e reforço negativo quando tem um desempenho ruim.
Um exemplo de aprendizado por reforço é quando os pesquisadores do Google ensinaram um algoritmo desse tipo a jogar Go.
O modelo, que não tinha conhecimento prévio das regras de Go, simplesmente moveu as peças aleatoriamente e “aprendeu” os melhores movimentos a fazer.
O algoritmo foi treinado com reforço positivo e negativo até que o modelo de machine learning pudesse vencer um jogador humano no game.four.

Referências:

https://dataat.github.io/introducao-ao-machine-learning/index.html

https://cloud.google.com/learn/what-is-machine-learning?hl=pt-BR