2003年，DARPA启动PAL计划，将机器学习的重要性上升到美国国家安全的高度来考虑，众所周知，美国最尖端科技的研究通常是由NASA和DARPA推进的，而这两大机构不约而同地强调机器学习的重要性，其意义不言而喻．2006年，卡耐基梅隆大学宣告成立世界上第一个“机器学习系”，机器学习领域奠基人之-T．Mitchell教授出任首任系主任．2012年3月，美国奥巴马政府启动“大数据研究与发展计划”，美国国家科学基金会旋即在加州大学伯克利分校启动加强计划，强调要深入研究和整合大数据时代的三大关键技术：
　　机器学习、云计算、众包(crowdsourcing).显然，机器学习在大数据时代是必不可少的核心技术，道理很简单：收集、存储、传输、管理大数据的目的，是为了“利用”大数据，而如果没有机器学习技术分析数据，则“利用”无从谈起．谈到对数据进行分析利用，很多人会想到“数据挖掘”(data mining)，这里简单探讨一下数据挖掘与机器学习的联系．数据挖掘领域在二十世纪九十年代形成，它受到很多学科领域的影响，其中数据库、机器学习、统计学无疑影响最大[Zhou，2003].数据挖掘是从海量数据中发掘知识，这就必然涉及对“海量数据”的管理和分析．大体来说，数据库领域的研究为数据挖掘提供数据管理技术，而机器学习和统计学的研究为数据挖掘提供数据分析技术．由于统计学界的研究成果通常需要经由机器学习研究来形成有效的学习算法，之后再进入数据挖掘领域，因此从这个意义上说，统计学主要是通过机器学习对数据挖掘发挥影响，而机器学习领域和数据库领域则是数据挖掘的两大支撑．今天，机器学习已经与普通人的生活密切相关，例如在天气预报、能源勘探、环境监测等方面，有效地利用机器学习技术对卫星和传感器发回的数据进行分析，是提高预报和检测准确性的重要途径；在商业营销中，有效地利用机器学习技术对销售数据、客户信息进行分析，不仅可帮助商家优化库存降低成本，还有助于针对用户群设计特殊营销策略：……下面再举几例：