不同於模式識別中人類主動去描述某些特征給機器，機器學習可以這樣理解：機器從已知的經驗數據（樣本）中，通過某種特定的方法（算法），自己去尋找提煉（訓練/學習）出一些規律（模型）；提煉出的規律就可以用來判斷一些未知的事情（預測）。
也就是說，模式識別和機器學習的區別在於：前者喂給機器的是各種特征描述，從而讓機器對未知的事物進行判斷；后者喂給機器的是某一事物的海量樣本，讓機器通過樣本來自己發現特征，最后去判斷某些未知的事物。
機器根據某一事物的海量樣本，總結出這一類型事物所具有的普遍規律，總結過程所使用的技能就是我們常說的算法。當足夠多的樣本使得算法能夠總結出一套行之有效的規律后，機器就可以用這些規律對真實世界中的事件做出決策和預測。
比如，機器通過一百萬個單身狗的樣本，總結出了單身狗所具有的一些屬性。當下次再給一個樣本時，機器就可以很快判斷出這個樣本究竟是不是單身狗。
例如年齡的數字，身高的數字，膚色的RGB，學識的等級，還有掌握的其他技能例如撒嬌、體貼、男子力、女子力，性格的歸類，社交程度的評價等等。
但是，最重要的一個參數就是臉，嗯，沒錯，就是我們常說的顏值。
值得一提的是，在機器學習中，盡管電腦可以自行通過樣本總結規律，但是依舊需要人工干預來為其提供規律總結的方向以及維度。例如色彩識別需要統計色彩的RGB或者CMYK值，但是要想總結出單身狗的特質，需要統計的就不僅僅是一兩個簡單的維度了。
在機器學習領域有着許多不同的流派，不同流派間的算法與建構的模型也是千差萬別。就像是在武林江湖中，大家都有一技之能傍身，有人是內功修行，有人是外在技術修行，雖然都是一等一的高手，但是降龍十八掌和獨孤九劍則代表了不同的武學巔峰。