หลักการทำงานของ Machine Learning การเรียนรู้ของ Machine Learning นั้นจะมีหลักการคล้ายๆ กับของมนุษย์ที่จำเป็นต้องเรียนรู้จากประสบการณ์ โดยให้เราลองนึกภาพถึงการสอนเด็กคนหนึ่งให้แยกความแตกต่างระหว่าง ดินสอและปากกา เราจำเป็นต้องสอนเด็กคนนั้นก่อน ว่าดินสอเป็นอย่างไร และปากกาเป็นอย่างไร เพื่อให้เด็กเรียนรู้และแยกแยะความแตกต่างระหว่างของสองสิ่งได้ Machine Learning เองก็ทำงานในลักษณะเดียวกัน ด้วยการป้อนชุดข้อมูลพื้นฐานและชุดคำสั่งต่างๆ เพื่อให้คอมพิวเตอร์ “เรียนรู้” และจำแนกแยกแยะวัตถุต่างๆ รวมถึงบุคคล สิ่งของ เป็นต้น และเพื่อให้ได้ผลลัพธ์ที่แม่นยำมากขึ้น โปรแกรมเมอร์จึงมีการป้อนชุดข้อมูลใหม่ๆ และต้องฝึกฝนระบบอย่างสม่ำเสมอ เพื่อให้เกิดวิวัฒนาการของระบบ ทำให้ระบบคิดได้ด้วยตัวเองในเวลาต่อมา
การทำงานของระบบ Machine Learning มี 3 รูปแบบ โดยหลักการของ Machine Learning จะแบ่งออกเป็น 3 ประเภทตามรูปแบบการเรียนรู้ด้วยกัน นั่นก็คือ supervised learning, unsupervised learning และ Reinforcement Learning
-Supervised Learning หรือการเรียนรู้แบบมีผู้สอน เป็นการทำให้คอมพิวเตอร์สามารถหาคำตอบของปัญหาได้ด้วยตัวเอง หลังจากเรียนรู้จากชุดข้อมูลตัวอย่างไปแล้วระยะหนึ่ง ยกตัวอย่างเวลาเราป้อนข้อมูลให้กับคอมพิวเตอร์ (Input) เช่น รูปปากกา เบื้องต้นคอมพิวเตอร์จะยังไม่รู้ว่ารูปที่เราป้อนเข้าไป คือรูปปากกา เราจึงต้องสอนให้คอมพิวเตอร์รู้จักเพื่อนำไปวิเคราะห์ (Feature Extraction) ว่า ปากกาจะมีปลายด้ามเป็นปุ่ม และใช้หมึกในการเขียน เป็นต้น จากนั้นคอมพิวเตอร์ก็นำข้อมูลดังกล่าวไปประมวล/จัดหมวดหมู่ (Classification) เพื่อให้หลังจากนี้มันสามารถแยกออกได้ว่าอะไรคือปากกา อะไรไม่ใช่ปากกา
-Unsupervised Learning หรือ การเรียนรู้โดยไม่มีผู้สอน เป็นการเรียนรู้ที่ให้เครื่องจักรนั้นสามารถเรียนรู้ได้ด้วยตนเอง โดยไม่ต้องมีค่าเป้าหมายของแต่ละข้อมูล ซึ่งวิธีการคือมนุษย์จะเป็นผู้ใส่ข้อมูลต่าง ๆ และกำหนดสิ่งที่ต้องการจากข้อมูลเหล่านั้น ทำให้เครื่องจักรวิเคราะห์จากการจำแนกและสร้างแบบแผนจากข้อมูลที่ได้รับมา เรียกได้ว่าตรงกันข้ามกับรูปแบบแรกเลย ตัวอย่างเช่น การที่เราป้อนข้อมูล (Input) รูปปากกาเข้าไป แต่ไม่ได้บอกว่ารูปที่ป้อนเข้าไปเป็นรูปปากกา เมื่อคอมพิวเตอร์นำไปวิเคราะห์ (Feature Extraction) ก็ยังสามารถวิเคราะห์ได้ว่ารูปที่ใส่เข้าไปมีลักษณะยังไง แต่คราวนี้มันไม่สามารถเอาไปประมวล/จัดหมวดหมู่ (Classification) ได้แล้ว มันจะใช้วิธีการแบ่งกลุ่มแทน (Clustering) ซึ่งคอมพิวเตอร์ก็อาจเอารูปปากกาไปจัดกลุ่มกับปากกาไฮไลท์ หรือเครื่องเขียนอื่นๆ ที่มี ปลายด้ามเป็นปุ่ม และใช้หมึกในการเขียน เหมือนกัน เป็นต้น
-Reinforcement Learning หรือ การเรียนรู้แบบเสริมกำลัง เป็นวิธีการเรียนรู้แบบหนึ่งที่ใช้การเรียนรู้เกิดมาจากการปฎิสัมพันธ์ (interaction) ระหว่างผู้เรียนรู้ (agent) กับสิ่งแวดล้อม (environment) ที่มีการเรียนรู้สิ่งต่าง ๆ จาก Agent ภายใต้การเลือกกระทำสิ่งต่าง ๆ ให้ได้ผลลัพธ์ที่มากที่สุด ผ่านการลองผิดลองถูกภายใต้สถานการณ์หรือระบบจำลอง ที่พัฒนาระบบการตัดสินใจให้ดีขึ้นเรื่อย ๆ หรือพูดให้ง่ายขึ้น มันคือการที่เรากำหนดเงื่อนไขบางอย่างให้กับคอมพิวเตอร์ แล้วทำให้คอมพิวเตอร์บรรลุหรือทำตามเงื่อนไขนั้นให้ได้ ผ่านการลองผิดลองถูก โดยผู้พัฒนาอาจตั้งเป้าหมาย Feedback Loop และเงื่อนไขในการได้รับรางวัล ยกตัวอย่างเช่น Alpha Go เงื่อนไขของการเล่นหมากล้อมให้ชนะคือ ใช้หมากของตนล้อมพื้นที่บนกระดาน ให้ครอบครองดินแดนมากกว่าคู่ต่อสู้ ทีนี้ Alpha Go ก็จะเรียนรู้ว่าหากคู่ต่อสู้เดินหมากนี้ ตัวมันเองจะเดินหมากไหนเพื่อให้บรรลุเงื่อนไขที่กำหนดไว้ให้ นั่นคือการยึดพื้นที่บนกระดานให้ได้มากที่สุด ประโยชน์ของ Machine Learning ในเชิงปฏิบัติแล้ว Machine Learning สามารถนำมาใช้ทำประโยชน์ได้มากมาย ขึ้นอยู่กับจินตนาการของผู้พัฒนา ตัวอย่างเช่น บริษัท Google ที่ได้มีการพัฒนา Google Map ก็เพื่อช่วยอำนวยความสะดวกบนท้องถนนให้กับพวกเราในปัจจุบัน เพื่อช่วยค้นหาเส้นทางที่ประหยัดเวลาการเดินทางมากที่สุด นอกจากนี้ยังมี Google Translation ที่นำเอาประโยชน์ของ Automation มาทำงานร่วมกับ Machine Learning เป็นตัวช่วยทางด้านการแปลให้กับหลายๆ คนหรือแม้แต่โปรแกรมแชทสุดฮิตอย่าง LINE นำ Speech-to-text technology มาปรับใช้ เพื่อช่วยประหยัดเวลาในการพิมพ์