Diskriminatiivsed mudelid õpivad andmepunkte eristama, määrates otse klasside vahelise piiri – nad vastavad küsimusele „Millisesse kategooriasse see sisend kuulub?“. Näideteks on logistiline regressioon, tugivektormasinad ja paljud närvivõrgul põhinevad klassifikaatorid, näiteks rämpsposti tuvastamiseks. Generatiivsed mudelid seevastu kirjeldavad, kuidas andmed ise tekivad, ja suudavad seetõttu luua uusi näiteid.
Generatiivne TI tähendab TI-süsteeme, mis loovad uut sisu – teksti, pilte, heli, videot või programmikoodi –, selle asemel et lihtsalt olemasolevaid andmeid sorteerida või hinnata. Need põhinevad mudelitel, mis õpivad suurtest andmehulkadest mustreid ja kasutavad neid usutavate uute väljundite loomiseks. Ärivaldkonnas kasutatakse seda näiteks e-kirjade, kokkuvõtete, tootekirjelduste või pildiideede kavandamiseks. Tulemused võivad sisaldada vigu ning neid tuleks enne kasutamist kontrollida.
Logistiline regressioon on statistiline meetod, mis ennustab ühe kahest tulemusest tõenäosust, näiteks „ostab“ või „ei osta“. See kaalub sisendtunnuseid ja teisendab nende summa S-kujulise funktsiooni abil väärtuseks vahemikus 0 kuni 1. Kuna kaale on lihtne tõlgendada, kasutatakse seda laialdaselt krediidiskooringus, meditsiinis ja turunduses, sageli kindla lähtetasemena keerukamate mudelite jaoks.
Klassifikaator on mudel või meetod, mis määrab sisendid ühte mitmest etteantud kategooriast. Klassikalisi variante, nagu otsustuspuud või naiivne Bayes, treenitakse märgendatud näidetega; keelemudelid saavad tekste sorteerida ka kategooriate kirjelduse põhjal. Tüüpilised kasutusalad on rämpsposti tuvastamine, klienditaotluste sorteerimine teemade kaupa ja kviitungite kategoriseerimine. Kvaliteeti mõõdetakse selliste mõõdikutega nagu täpsus (accuracy), täpsus (precision) ja saagis (recall).
Naiivne Bayesi klassifikaator on lihtsate klassifitseerimismeetodite perekond, mis põhineb Bayesi teoreemil. Neid nimetatakse „naiivseks“, sest need eeldavad, et kõik tunnused on üksteisest sõltumatud, mis praktikas vastab harva tõele, kuid annab sageli siiski häid tulemusi. Meetodid on kiired, vajavad vähe treeningandmeid ning sobivad eriti hästi tekstide jaoks. Klassikaline näide on rämpspostifilter, mis sorteerib e-kirju tüüpiliste sõnade põhjal.
