Maskininlärning är en delmängd av artificiell intelligens som fokuserar på att utveckla algoritmer och modeller som gör det möjligt för datorer att lära sig av data och göra förutsägelser eller fatta beslut utan att uttryckligen programmeras. Det handlar om att använda statistiska tekniker för att ge datorer möjlighet att lära sig av och förbättra sin prestation på en specifik uppgift över tid. Maskininlärningsalgoritmer kan i stort sett kategoriseras i tre typer: övervakad inlärning, oövervakad inlärning och förstärkningsinlärning.
Computer vision är ett område inom datavetenskapen som handlar om att göra det möjligt för datorer att tolka och förstå den visuella världen. Det handlar om att utveckla algoritmer och tekniker som gör det möjligt för datorer att extrahera meningsfull information från bilder eller videor. Till datorseende hör bland annat bildigenkänning, objektdetektering, bildsegmentering och bildklassificering.
Maskininlärning och datorseende är nära besläktade områden, eftersom maskininlärningstekniker ofta används för att utveckla modeller som driver datorseendeapplikationer. Inom datorseende används maskininlärningsalgoritmer för att träna modeller på stora datamängder av bilder eller videor, vilket gör det möjligt för datorer att känna igen mönster och förstå visuell information.
Datorseende har många tillämpningar inom olika branscher, bland annat inom sjukvård, fordonsindustri, detaljhandel och säkerhet. Inom sjukvården används datorseende för medicinsk bildanalys, sjukdomsdiagnos och kirurgisk assistans. Inom fordonsindustrin används datorseende för självkörande bilar, objektdetektering och igenkänning av trafikskyltar. Inom detaljhandeln används datorseende för lagerhantering, kundspårning och ansiktsigenkänning för personlig marknadsföring. Inom säkerhet används datorseende för övervakning, ansiktsigenkänning och anomalidetektering.