Ryszard Michalski (1986) „Uczenie się to konstruowanie i zmiana reprezentacji doświadczanych faktów. W ocenie konstruowania reprezentacji bierze się pod uwagę: wiarygodność – określa stopień, w jakim reprezentacja odpowiada rzeczywistości, efektywność – charakteryzuje przydatność reprezentacji do osiągania danego celu, poziom abstrakcji – odpowiada zakresowi szczegółowości i precyzji pojęć używanych w reprezentacji; określa on tzw. moc opisową reprezentacji. Reprezentacja jest rozumiana jako np. opisy symboliczne, algorytmy, modele symulacyjne, plany, obrazy.”
Donald Michie (1991) „System uczący się wykorzystuje zewnętrzne dane empiryczne w celu tworzenia i aktualizacji podstaw dla udoskonalonego działania na podobnych danych w przyszłości oraz wyrażania tych podstaw w zrozumiałej i symbolicznej postaci”.
Cele teoretyczne i ogólne zastosowanie uczenia maszynowego Uczenie maszynowe w teorii ma prowadzić do określonych celów m.in.: tworzenia nowych pojęć, wykrywania nieznanych prawidłowości w danych, formułowania reguł decyzyjnych, przyswajania nowych pojęć i struktur przy pomocy uogólnienia i analogii, modyfikowania, uogólniania i precyzowania danych, zdobywania wiedzy poprzez interakcję z otoczeniem, formułowania wiedzy zrozumiałej dla człowieka.