如果按中文的语言习惯来解读，这个定义可以理解为：“假设某项评价指标可作为系统性能的度量（Performance，简称 P），且这个指标可以在某类任务（Task，简称 T）的执行过程中随着经验（Experience，简称 E）增加而不断自我改进的话，那么我们就称该过程‘ Process<P, T, E>’是一种学习行为。”这个定义明确列出了“任务 T”“度量 P”“经验 E”与学习过程“Process<P, T, E>”这几个符号，使得它读起来显得有点拗口，但这些符号都是必要的，它们构成了机器学习的一种最基础的形式体系，只要再结合几个具体例子，就可以使这个定义变得形象。
以本轮人工智能风潮最初的热点“人机对弈”为例，机器学习采用每一步落子位置对全局胜率的影响（度量 P）来评价系统性能，在每一次对弈（任务T）中，基于机器学习算法的人机对弈软件<sup>○一</sup>，是根据历史棋局的对局数据（经验E），来修正根据棋盘局面推算每一步的最佳落子位置的模型，通过越来越接近模型的输出结果，计算出当前形势下相对胜率最高的落子位置。
对于人工智能另一个备受关注的应用方向“汽车自动驾驶”，机器学习采用各种路况下正确的驾驶操作的概率（度量 P）来评价系统性能，在不同路况的行驶过程（任务 T）中，无人车是基于机器学习训练出来的模型来实现自动驾驶的，而不是依赖程序员的编程来判断各种路况，因为编码几乎不可能穷举出所有可能的路况，必须根据长期行驶的路况和操作记录的分析结果，基于人类应对各种路况的经验（经验 E）来修正这个驾驶模型，然后由这个模型来决定在传感器提供的图像、速度等信息下，机器采取怎样的驾驶操作才是正确的。
上面这些机器学习的定义和例子，都是从机器学习的本质出发，即从它“是什么”、要“做什么”的角度来解释机器学习这个概念。还有另一种在教科书中常见的表达形式，是从机器学习的过程元素入手，将机器学习分解为三个部分，从机器学习“怎么做”的角度来定义它。在李航老师的《统计学习方法》一书中，就提出机器学习由“模型”“策略”和“算法”三个要素构成：
174
第三部分 第三波高潮
○一 有许多棋类对弈软件是基于搜索算法的，如多数象棋软件，这里仅指通过机器学习来实现的对弈软件，譬如近年来能和职业选手对抗的围棋软件。