目前机器学习领域产生了两个研究流派，虽然当前的研究者可能只认同其中的一个。第一个流派专注人工神经网络，致力于人脑功能的建模。很长的一段时期内，计算机科学家对神经元有兴趣。一篇1943年由沃尔特·皮茨（Walter Pitts）和沃伦·麦卡洛克（Warren MacCulloch）撰写的论文《神经活动中内在思想的逻辑演算》（A logical calculus of the ideas immanent in nervous activity），影响了包括约翰·冯·诺伊曼（John von Neumann）在内的一批早期的计算机科学家。不过，到了20世纪70年代中期，人们发现人工神经网络的设想似乎不切实际。因为没有人能够提出设置神经网络参数的方法。1974年，保罗·维博思（Paul Werbos）发明了一个设置神经网络参数的算法，称为反向传播（back propagation）算法。这个算法表明，作为对数据分类的方法和根据数据进行学习的方法，神经网络很有效。但是，反向传播是一种计算量非常大的算法，因此在此后十年间并未引起多少关注。
不过，在20世纪70-80年代的大多数时间里，相比于神经网络，人工智能领域对逻辑和基于规则的系统更感兴趣。研究者为管理、培训和医疗诊断等应用构建了一些诸如此类的系统。当时，对专家系统感兴趣的群体就有统计学社区。在19841994年之间，一个由统计学家和计算机科学家组成的团队尝试去构建一个基于规则的系统，希望它可以像专业统计学家一样学习和工作。
事实证明，构建基于规则的统计分析系统的任务，比大多数人预期的都困难。1990年以后，几乎没有团队继续从事这方面的研究。但是，这项工作已经建立了计算机科学和统计学之间的联系，并且展示了先进的统计建模技术的能力。这些技术很快成为在神经网络中设置参数的新算法的基础。到20世纪90年代中期，它们已经成为机器学习领域的新的核心内容。一位人工智能先驱曾评论道：“20世纪90年代最令人惊讶的是，统计算法在分类和识别数据方面取得了巨大成功。”所以，如果说机器学习将取代人类劳动力，那么首当其冲被取代的就是像统计学家这样的劳动力。目前用机器学习来处理数据的企业主、研究生以及14岁的青少年，正在使用复杂的算法执行工作，而这些工作曾经是统计学家才能完成的。虽然这些人还不能彻底取代统计分析人员，但是他们已经能够在没有学习多元统计分析的细节知识或者在没有雇用专业统计学家服务的情况下完成大量工作。
机器学习远不是一种自动化技术。它要求用户对数据和分类有一定了解。但机器学习已经使得没有受过什么训练的人可以辨识新颖的现象、有趣的模式和认识世界的新方法。
