W ciągu ostatnich kilku lat aplikacje komputerowe przeszły dramatyczną transformację od prostego przetwarzania danych do uczenia maszynowego, dzięki dostępności ogromnej ilości danych zbieranych przez czujniki i Internet. Idea uczenia maszynowego demonstruje i propaguje fakt, że komputer ma zdolność do samodoskonalenia się wraz z upływem czasu. Kraje zachodnie wykazały duże zainteresowanie tematem uczenia maszynowego, wizji komputerowej i rozpoznawania wzorców poprzez organizowanie konferencji, warsztatów, wspólnych dyskusji, eksperymentów i rzeczywistych wdrożeń. Niniejsze opracowanie na temat uczenia maszynowego i wizji komputerowej bada i analitycznie ocenia zastosowania uczenia maszynowego w wizji komputerowej i przewiduje perspektywy na przyszłość. Badanie wykazało, że strategie uczenia maszynowego w wizji komputerowej są nadzorowane, nienadzorowane i półnadzorowane. Powszechnie stosowanymi algorytmami są sieci neuronowe, klastery k-średnich i maszyny wektorów wspierających. Najnowsze zastosowania uczenia maszynowego w widzeniu komputerowym to detekcja obiektów, klasyfikacja obiektów oraz ekstrakcja istotnych informacji z obrazów, dokumentów graficznych i filmów. Dodatkowo, do identyfikacji samochodów i osób na obrazach wykorzystano Tensor flow, model Faster-RCNN-Inception-V2 oraz środowisko programistyczne Anaconda.