Strojno učenje grana je umjetne inteligencije koja se bave oblikovanjem algoritama koji svoju učinkovitost poboljšavaju na temelju podataka. Ovaj se predmet bavi teorijskim osnovama i načelima strojnog učenja te daje pregled njegovih primjena u znanosti i industriji. Predmet obuhvaća dva osnovna pristupa strojnom učenju: nadzirano učenje (klasifikacija i regresija) i nenadzirano učenje (grupiranje i smanjenje dimenzionalnosti), te generativni i diskriminativni pristupi u okviru obaju pristupa. Opisuju se teorijske osnove strojnog učenja (hipoteza, model, odabir modela, pogreške, prenaučenost, generalizacija), a zatim se daje pregled osnovnih nadziranih i nenadziranih postupaka, s poveznicima prema teorijskim osnovama i odgovarajućim matematičkim temeljima iz teorije optimizacije, numeričke matematike, statistike, teorije vjerojatnosti i linearne algebre. Raspravljaju se prednosti i nedostatci svakog od modela, te se navode primjeri uspješne primjene iz industrijske prakse. Posebna tematska jedinica posvećena je ispitivanju modela i analizi pogrešaka. Predavanja su popraćena laboratorijskim vježbama u radnom okruženju Scikit-Learn na kojima polaznici stječu iskustvo primjene i ispitivanja modela na jednostavnijim podatcima. Preduvjet za praćenje kolegija je osnovno znanje iz teorije vjerojatnosti, linearne algebre i primijenjene statistike.