O aprendizado de máquina envolve detectar padrões em dados e usá-los para prever resultados futuros.
A escolha do modelo de aprendizado de Máquina depende se queremos prever ou inferir.
O método de aprendizagem pode ser paramétrico ou não paramétrico, e supervisionado ou não supervisionado.
Usualmente, 70-80% dos dados disponíveis são usados para treinamento do algoritmo e 20-30% para testes.
Os dados são classificados usando Classificadores Máximo de Margem para dados separáveis, Classificadores de Vetores de Suporte para dados não separáveis e Máquinas de Vetor de Suporte para limites de classe Non Linear.
Classificador de vetor de suporte é um classificador de margem suave.
A máquina de vetores de suporte (SVM) é uma extensão do classificador de vetores de suporte que usa Kernels para criar limites não lineares.