תיאוריית הלמידה החישובית (Computational learning theory), המקוצרת לעתים קרובות כ-CoLT, היא תחום רב-תחומי הממזג אלמנטים של מדעי המחשב וסטטיסטיקה כדי לחקור את הביצועים וההיתכנות של אלגוריתמי למידה. בבסיסה, התיאוריה שואפת להבין את העקרונות הבסיסיים מאחורי תהליך הלמידה מנתונים: כיצד יכול אלגוריתם להכליל ממדגם מוגבל? כמה נתונים באמת נחוצים כדי להבטיח תחזיות מדויקות? ובאילו תנאים יכולה בעיית למידה להיחשב ניתנת לפתרון חישובי או בלתי פתירה? תשובות לשאלות כאלה עוזרות לקבוע את הגבולות התיאורטיים והיכולות של מכונות למידה.
במסגרת תיאוריית הלמידה החישובית, מושגים כמו למידה כנראה בקירוב (PAC) מספקים תובנות לגבי ההסתברות שאלגוריתם יפיק השערה עם שגיאה מוגבלת, בהינתן כמות מספקת של נתונים. יתרה מזאת, התיאוריה צוללת עמוק לתוך ההחלפות בין משאבי חישוב ואיכות ההשערות הנלמדות, ומציעה בסיס תיאורטי לתכנון וניתוח של אלגוריתמי למידת מכונה. ככל שהדרישה לאלגוריתמי למידה רבי עוצמה ויעילים גוברת, תובנות מתורת הלמידה החישובית הופכות לבעל ערך רב, ומנחות את הפיתוח וההערכה של מודלים של AI מהדור הבא
