یادگیری ماشین (Machine Learning) یک زیر مجموعه از هوش مصنوعی است. یادگیری ماشین برای طراحی های غیرضروری نیز روش هایی راپیشنهاد می کند. ML فرآیندهای محاسباتی ما را کارآمدتر، قابل اعتمادتر و مقرون به صرفه تر می کند. با تجزیه و تحلیل داده های پیچیده تر به صورت خودکار، سریع و دقیق تر، مدل هایی را تولید می کند. قدرت ML در توانایی آنها برای ارائه راه حل های تعمیم یافته از طریق معماری است که می تواند بهبود عملکرد خود را یاد بگیرد. خوشه بندی سلسله مراتبی یکی دیگر از الگوریتم های یادگیری ماشینی بدون نظارت است که برای گروه بندی مجموعه داده های بدون برچسب در یک خوشه استفاده می شود و همچنین به عنوان تحلیل خوشه سلسله مراتبی یا HCA شناخته می شود. در این الگوریتم سلسله مراتب خوشه ها را به شکل درخت توسعه می دهیم و این ساختار درختی شکل به دندروگرام معروف است. استفاده از ML نه تنها عملکرد WSN ها را بهبود می بخشد و همچنین مداخله یا برنامه مجدد انسانی را محدود می کند؛ دسترسی به حجم وسیعی از داده های جمع آوری شده توسط حسگرها و استخراج اطلاعات مفید از داده ها بدون ML چندان آسان نیست. این مقاله به بررسی این الگوریتم و کاربرد آن در شبکه های حسگر بی سیم پرداخته است.