在人工智能早期，主流方法是将人类的知识和思维方式"灌输"给机器，从而让机器具备思考能力。这种基于知识的方法在定理证明和专家系统等任务中取得了巨大成功，但也存在明显缺点：首先，人类总结知识既繁琐又耗时；其次，机器只能在预设的知识框架内运行，永远难以超越人类的知识范围。
1959 年，美国科学家亚瑟·塞缪尔正式提出"机器学习"这一概念，并在西洋跳棋游戏中进行了验证。在实验中，塞缪尔只向机器传达了走棋的大致思路以及一些控制走棋方式的参数。他发现，通过不断调整参数，机器仅用了 8-10 个小时便学会了超过他本人的棋艺。
亚瑟·塞缪尔（1901-1990），美国计算机学家，被誉为机器学习的奠基人。他于 1959 年发表的论文讨论了机器如何通过学习掌握跳棋技巧。这篇论文被认为是机器学习的开端。
此后，机器学习得到了蓬勃发展。研究者提出了贝叶斯网络、人工神经网络等多种学习模型，使机器的学习能力大幅提升。尤其是进入 21 世纪后，随着数据量的爆发式增长和计算机性能的不断提高，机器能够从数据中学到的知识越来越丰富，能力也越来越强大，直接引发了新一轮人工智能浪潮。
贝叶斯网络（基于变量之间概率关系进行学习）
神经网络（模拟人类大脑神经系统进行学习）