Благодаря своей универсальности машинное обучение применяется во многих областях животного поведения для того, чтобы задавать биологически значимые вопросы и впоследствии отвечать на них.
GPS, акселерометр и/или видео данные регулярно используются для мониторинга динамики движения особей. Трехмерные акселерометрические регистраторы могут генерировать более миллиона точек данных в час (при частоте выборки 100 Гц). Машинное обучение используется для автоматизации классификации поведения/деятельности и отслеживания траекторий движения. Эти знания затем могут быть использованы для вывода правил принятия индивидуальных решений при коллективном движении и для расчета бюджетов деятельности для индивидуумов без необходимости постоянного человеческого наблюдения или трудоемкого видеоанализа.
Это особенно подходит для организмов, которые трудно наблюдать напрямую, таких как ночные (барсуки), пелагические (маленькие пингвины) и водные виды (китовые акулы) или те, за которыми трудно непрерывно следить из-за их скорости или скрытности (например, гепарды).
Другим контекстом, в котором машинное обучение был успешно использовано, являются исследования вокализации. Вокализации могут быть зарегистрированы дистанционно, что позволяет оценить размер популяции и видовой состав, индивидуальное поведение и межвидовые/внутривидовые взаимодействия. Типичная запись с использованием импульсной кодовой модуляции при 24-битной и 48-гигагерцовой выборке дает более половины гигабайта данных в час. Следовательно, осмотр этих данных и анализ звуковых записей может быть трудоемким и весьма субъективным при визуальном осмотре сонограмм.
Вместо этого для классификации и подсчета отдельных элементов или слогов применяется машинное обучение. В ранних работах использовались методы машинного обучения для определения сходства между вызовами на основе наборов таких элементов. Эти подходы могут также обнаружить различия в вызовах. Классификация вызовов от различных видов и подвидов является надежной и позволяет оценить структуру сообщества (например, лягушки). Более тонкая дискриминация по шкале возможна как на индивидуальном уровне , так и на уровне элементов песни птицы.
Оценка благосостояния животных и эмоциональных состояний, которые могут ее выявить, может быть в высшей степени субъективной, а на плохое благосостояние часто указывают только многочисленные взаимодействующие факторы. Машинное обучение может помочь в мониторинге такого поведения путем сопоставления человеческой оценки с точки зрения лечебного воздействия на лабораторных мышей, мышц-мускулов. Такие методы были расширены, чтобы обеспечить диагностическое средство для психофармакологических препаратов, основанных на поведении мышей в открытом поле.
Метод машинного обучения использовался для сравнительной оценки уровня благосостояния в нескольких лабораториях. Машинное обучение было использовано для сравнительной оценки благосостояния нескольких лабораторных популяций мышей, что позволило одновременно рассмотреть широкий спектр потенциальных объясняющих факторов, каждый из которых имеет различное распределение, а также взаимодействия между ними. Потенциальное новое использование машинного обучения будет заключаться в обнаружении эмоционального состояния у животных на основе экспрессии лица, осанки тела или вокализации.
Такие методы уже были использованы в людях, глядя на лица, физиологические, вокальные и жестикуляционные оттенки эмоций. Машинное обучение также позволяет интегрировать несколько наборов этих сигналов для дальнейшего повышения эффективности обнаружения эмоций.
Просвещение лежащей в основе социальной структуры сети индивидуумов внутри социальных групп может помочь в решении важных экологических и эволюционных вопросов. Пассивные интегрированные транспондеры и регистраторы приближения теперь позволяют автоматически собирать большие объемы данных о социальном взаимодействии, содержащих как пространственные, так и временные элементы. Перевод таких данных в биологически реалистичные модели ассоциации не является тривиальным и может зависеть от субъективных решений исследователей, особенно когда случаи ассоциации неоднозначны.
Происшествия во времени могут быть определены методами кластеризации машинного обучения с индивидуумами, находящимися в одном и том же фуражном событии (кластере), считающимися имеющими социальную принадлежность. Такие методы оказываются робастными и хорошо захватывают связи реальных пар. Вторая грань моделей ассоциации, которая выигрывает от применения методов машинного обучения, определяет, к какой социальной группе принадлежит индивидуум в рамках сети.
Во многих случаях принадлежность к группе неоднозначна, поскольку индивидуумы имеют слабое или спорадическое членство к нескольким кластерам других индивидуумов. Субъективное решение о членстве может быть принято, при этом такие слабые привязанности будут сбрасываться со счетов. В качестве альтернативы можно использовать методы машинного обучения для учета такого «нечеткого перекрытия», и можно определить относительное членство отдельных лиц в каждой группе.