1.監督學習
在監督學習下，輸入的數據稱為“訓練數據”，每組訓練數據都有明確的標識或結果，如反垃圾系統中的“垃圾”和“非垃圾”，手寫數字識別中的“1”、“2”、“3”、“4”。
在建立預測模型時，監督學習建立壹個學習過程，將預測結果與“訓練數據”的實際結果進行比較，不斷調整預測模型，直到模型的預測結果達到壹個預期的精度。
分類問題、回歸問題等監督學習的常見應用場景。常見的算法包括邏輯回歸和反向傳播神經網絡。
加強學習
在這種學習模式下，輸入數據被用作對模型的反饋，而不像監督模型那樣，只被用作檢查模型是對還是錯的壹種方式。在強化學習下，輸入數據直接反饋給模型，模型必須立即做出調整。
常見的應用場景包括動態系統和機器人控制。常見的算法有Q學習和時間差分學習。
3.無監督學習在無監督學習中，數據是沒有特別標記的，學習模型是推斷數據的壹些內部結構。常見的應用場景包括學習關聯規則和聚類。常見的算法有Apriori算法和k-Means算法。
4.半監督學習
在這種學習模式中，壹些輸入數據被識別，壹些沒有被識別。這種學習模型可以用於預測，但是模型需要先學習數據的內部結構，以便合理地組織數據進行預測。
應用場景包括分類和回歸，算法包括常用的監督學習算法的壹些擴展。這些算法首先嘗試對未標記的數據進行建模，然後對標記的數據進行預測。例如圖形推理算法或拉普拉斯SVM。