Mustrituvastus on andmetes, näiteks piltides, helides, tekstides või mõõtmistulemustes, esinevate seaduspärasuste, struktuuride või korduvate tunnuste automaatne tuvastamine. Süsteemid määravad uued vaatlused tuntud kategooriatesse või avastavad rühmi ilma ette antud siltideta. Rakenduste hulka kuuluvad näo- ja käekirjatuvastus, tootmise kvaliteedikontroll ning ebatavaliste tehingute märkamine. See distsipliin on masinõppe oluline alus.
Masinõpe on tehisintellekti haru, kus arvutid tuletavad andmetest mustreid, selle asemel et iga reegel oleks selgesõnaliselt programmeeritud. Olenevalt ülesandest õpivad mudelid märgendatud näidetest (juhendatud), märgendamata andmetest (juhendamata) või preemiate kaudu (tugevdusõpe). Rakendused ulatuvad rämpsposti filtritest ja nõudluse prognoosidest tootesoovitusteni. Kvaliteet sõltub suuresti treeningandmete hulgast ja kvaliteedist.
Pildituvastus on masinnägemise valdkond, kus tarkvara tuvastab, mida pilt kujutab – objekte, inimesi, teksti, logosid või stseene. Tavaliselt põhineb see närvivõrkudel, mida on treenitud suurel hulgal märgendatud piltidel. Rakendused ulatuvad tootmise kvaliteedikontrollist ja tootefotode sorteerimisest kuni meditsiinilise kuvamise toetamiseni. Inimesi kujutavate piltide puhul nõuavad andmekaitse ja võimalik kallutatus erilist tähelepanu.
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).
Klasterdamine on juhendamata õppe meetod, mis jagab andmepunktid nende sarnasuse põhjal rühmadesse ilma eelnevalt määratud kategooriateta. See toob esile mustrid, mida keegi pole varem nimetanud – näiteks sarnase ostukäitumisega kliendisegmendid. Tekstide puhul aitab klasterdamine sorteerida sadu kliendipäringuid teemadesse, nagu tarne, arveldamine või kaebused, ja näitab, kus on rõhuasetus.
