Link al sitio de la Conferencia Internacional sobre Aprendizaje Automático (International Conference on Machine Learning) que se realiza desde 1987.

Aprendizaje automático o Machine Learning (ML) es el estudio científico de algoritmos y modelos estadísticos utilizados por los sistemas de computadora para desempeñar una tarea específica sin usar instrucciones explícitas. Es decir, poder generar conclusiones de ejemplares nunca vistos, a partir de grandes cantidades de datos, sin haber sido programados explícitamente para ello.
Es un  subcampo de la Inteligencia Artificial y está relacionado con la estadística computacional, que se basa en hacer predicciones con computadoras. 

El objetivo es que las computadoras puedan desempeñarse con precisión y exactitud, tanto en tareas familiares, como en actividades nuevas o imprevistas.
Los algoritmos de ML construyen un modelo matemático basado en muestras de datos (conocidos como training data o datos de entrenamiento) para hacer predicciones o decisiones. Estos modelos “generalizan” la información que se les presenta para realizar sus predicciones, a partir de grandes cantidades de datos (big data) que son percibidos por la computadora como una lista de ejemplos prácticos.  Los modelos o programas resultantes deberían ser capaces de generalizar comportamientos e inferencias para un conjunto más amplio (potencialmente infinito) de datos.

Sus algoritmos se dividen principalmente en tres grandes categorías: Aprendizaje supervisado (Supervised Learning), Aprendizaje no upervisado (Unsupervised Learning) y Aprendizaje por refuerzo (Reinforcement Learning).

El Aprendizaje supervisado (Supervised Learning) depende de datos previamente etiquetados. Las etiquetas o rótulos son colocadas por seres humanos para asegurar la efectividad y calidad de los datos. A partir de multitud de ejemplos las computadoras aprenden y a partir de ahí pueden hacer el resto de los cálculos necesarios sin que se tenga que volver a ingresar ninguna información.
Ej: reconocimiento de voz, detección de spam, reconocimiento de escritura.

En el Aprendizaje no supervisado (Unsupervised Learning) al algoritmo se le despoja de cualquier etiqueta, de modo que no cuenta con ninguna indicación previa. En cambio, se le provee de una enorme cantidad de datos con las características propias de un objeto (aspectos o partes que lo conforman), para que pueda determinar qué es, a partir de la información recopilada.
Ej: detectar morfología en oraciones, clasificar información, etc.

En el Aprendizaje por refuerzo (Reinforcement Learning) la máquina es capaz de aprender con base a pruebas y errores en un número de diversas situaciones.
Aunque conoce los resultados desde el principio, no sabe cuáles son las mejores decisiones para llegar a obtenerlos. El algoritmo progresivamente va asociando los patrones de éxito, para repetirlos una y otra vez hasta perfeccionarlos y volverse infalible.
Ej: navegación de un vehículo en automático, toma de decisiones, etc.

Los algoritmos de ML son usados en una amplia variedad de aplicaciones, como filtrar emails y visión por computadora (computer vision), donde es difícil o imposible desarrollar un algoritmo convencional para desempeñar efectivamente una tarea.