یادگیری ماشین کوانتومی (Quantum Machine Learning) پدیده‌ی بزرگ بعدی است.

یادگیری ماشین را می‌توان به سه گروه اصلی تقسیم کرد:
۱. یادگیری نظارت شده (supervised learning) که در آن از داده‌های آموزشی برای پیش‌بینی مقدار بعدی استفاده می‌شود،
۲. یادگیری بدون نظارت (unsupervised learning) که بر روی داده‌های بدون برچسب عمل می‌کند،
۳. یادگیری تقویتی (reinforcement learning) که از محیط و اشتباهات خود یاد می‌گیرد.

ماشین‌های بردار پشتیبان (Support Vector Machines یا SVM) در دسته یادگیری نظارت شده قرار می‌گیرند و تمرکز ما روی این نوع یادگیری است.

الگوریتم‌های یادگیری نظارت شده از مثال‌ها یاد می‌گیرند. در یادگیری نظارت شده، شما متغیرهای ورودی (X) و یک متغیر خروجی (Y) دارید. هدف الگوریتم این است که یاد بگیرد چگونه تابعی را ایجاد کند که ورودی را به خروجی نگاشت کند.

Y = f(X)

هدف الگوریتم این است که تابع نگاشت را آنقدر خوب تقریب بزند که وقتی داده ورودی جدید (X) دارید، بتوانید متغیر خروجی (Y) آن داده را پیش‌بینی کنید.

برای مثال، الگوریتم یادگیری نظارت شده می‌تواند با استفاده از یک مجموعه داده آموزشی، تفاوت بین دو نوع شیء (گربه و سگ) را درک کند. الگوریتم ویژگی‌های مختلف (مو، رنگ، چشم، گوش و غیره) را تحلیل می‌کند تا یاد بگیرد هر شیء چگونه به نظر می‌رسد. سپس یک داده ناشناخته معرفی می‌شود (مثلاً یک سگ سفید). با استفاده از آموزش قبلی خود، الگوریتم پیش‌بینی می‌کند که این داده به کدام دسته تعلق دارد.