机器学习是使用样本数据创建系统模型的艺术和科学，这适用于IT运维、工厂设备、化工或能源电网等，也适用于IT应用用户分析等。使用样本数据创建模型后，就可以从这些模型中获得许多答案。例如，可以找出系统中不符合该模型的任何异常数据，而异常数据的背后往往隐藏着异常事件；如：某个用户可能正在攻击一个IT系统，或某个配电变压器正在发生故障，或者某个IT数据存储系统的网络接口正在发生故障等。
这种“学习模型”可用来预测各种实体可能的行为，这就是所谓的预测分析。例如，一个客户将要关闭银行账户，某个机器下周将会产生故障，某个CNC机床的切割工具马上就要不合规了，或者在周三中午生意很忙的时候某个服务器的CPU使用率将会达到70%。
机器学习也能够对系统中的事件进行关联分析，查找出什么事件可能导致另外一些事件的发生；例如，如果电网发生电力中断，就可以帮助确定造成断电的根本原因；或者，查找出银行交易缓慢或失败的原因可能是网络路由器故障等。
机器学习算法有如下分类：回归分析、分类聚合、异常检测、时间序列预测、文本挖掘等。有数百种算法已经被广泛应用，包括神经网络、支持向量机、决策树等。这些算法的一般概念是相似的，并且具有许多共同点，同时他们也有各自的优缺点；有些算法可以解决某些常见问题，但不适用于其他问题。这些算法都需要将数据或数据特征输入其中。特征通常是从数据中提取和转换的数字量，以便算法可以轻松地进行消化。特征提取是使数据对算法友好的一个非常重要的步骤；对于IT和物联网问题，必须仔细提取和形成数据特征，才能应用机器学习来获得良好结果。
MLP实施的几种算法有回归分析、分类聚合、预测分析、异常监测、根因分析等。MLP是用来处理流数据的，因此MLP实施了特别制定的流式数据机器学习算法，可以近实时的处理数据；而通常的数据分析，数据是分批进入算法。MLP中的机器学习算法不断从历史数据中学习并进行自我调整，从而发现数据模式（Pattern），并以此为依据不断进行异常监测和预测。例如，MLP的算法通过学习可以知道哪一天是工作日或周末以及一天中的具体时间；不同的时间段对应的数据模式不同，因此这些信息对于异常监测和预测很有用。
MLP的流数据建模环境包含可以用来从流数据创建特性的组件，此外，MLP具有可视化的操作界面，用户只需拖拽就可实现对算法进设计、开发、测试、调整和部署——全程无需写代码。MLP的设计者在流数据的特征提取和机器学习方面拥有丰富的经验，因此，MLP产品本身就凝聚了这些经验内涵，MLP用户和机器学习开发人员都可以从中受益。
