Aprendizado supervisionado: o aprendizado supervisionado é definido pelo uso de conjuntos de dados rotulados para treinar algoritmos para classificar dados ou prever resultados com precisão. O uso de um conjunto de dados pré-rotulado possibilita que o algoritmo veja o quão preciso é seu desempenho.

Aprendizado não supervisionado: usa algoritmos de aprendizado de máquina para analisar e agrupar conjuntos de dados não rotulados (subconjuntos chamados clusters). Esses algoritmos descobrem padrões ocultos e relacionamentos nos dados sem a necessidade de intervenção humana.

Aprendizagem semi-supervisionada: aprendizagem semi-supervisionada oferece um meio-termo entre a aprendizagem supervisionada e a não supervisionada. Durante o treinamento, o algoritmo usa um conjunto de dados rotulados pequeno para orientar a classificação e a extração de padrões de um conjunto de dados maior e sem rótulos. A combinação dos dois tipos de dados em um conjunto de dados de treinamento permite que os algoritmos aprendam a rotular dados não rotulados.

Aprendizado por reforço: é um modelo de aprendizado de máquina semelhante ao aprendizado supervisionado, mas o algoritmo não é treinado usando dados de amostra. O conjunto de dados usa um sistema de “recompensas/punições”, oferecendo feedback ao algoritmo para aprender com suas próprias experiências por tentativa e erro. O modelo aprende à medida que avança usando tentativa e erro. Uma sequência de resultados bem-sucedidos será reforçada para desenvolver a melhor recomendação ou política para um determinado problema.