Stiimulõpe on masinõppe haru, kus agent õpib katse-eksituse meetodil. Ta tegutseb keskkonnas, saab hea tulemuse eest tasu ja halva eest karistuse ning arendab nii strateegia, mis maksimeerib tema kogutasu. Tuntud näited on programmid, mis valdavad lauamänge, nagu go, robotite juhtimine ja keelemudelite peenhäälestus inimeste hinnangute alusel.
Q-õpe on stiimulõppe põhimeetod. Agent õpib katse-eksituse meetodil, milline pikaajaline väärtus („Q-väärtus“) on teatud tegevusel teatud olukorras, ning valib aja jooksul kõige lootustandvamad tegevused. Selleks ei ole tal vaja oma keskkonna mudelit. Koos närvivõrkudega (sügav Q-õpe) õppis DeepMindi süsteem selle lähenemisega mängima paljusid Atari videomänge ainuüksi ekraani pikslite põhjal.
RLHF on treeningmeetod, mis muudab keelemudelid kasulikumaks ja turvalisemaks. Inimesed võrdlevad ja hindavad mudeli mitut vastust; neid hinnanguid kasutatakse tasumudeli treenimiseks, mis seejärel treenib stiimulõppe abil edasi keelemudelit ennast. See õpetab mudelit näiteks vastama selgemalt või keelduma problemaatilistest päringutest. RLHF toimub mudelipakkuja juures enne mudeli avaldamist – mitte üksikute kasutajatega.
Juhendatud õppes õpib mudel näidetest, mille õige vastus on juba teada, näiteks e-kirjadest, mis on märgitud „rämpspost“ või „mitte rämpspost“. Nende põhjal tuletab ta reeglid uute, nägemata juhtumite klassifitseerimiseks või väärtuste ennustamiseks. Tüüpilised ülesanded on klassifitseerimine ja regressioon; suurem osa vaevast läheb puhtalt märgendatud andmete loomisele.
Juhendamata õppes saab mudel andmeid ilma etteantud õigete vastusteta ja otsib ise struktuure. Tüüpilised meetodid on klasterdamine, mis rühmitab sarnased kirjed, ja mõõtmelisuse vähendamine, mis tihendab paljud tunnused mõneks põhiliseks. Organisatsioonid kasutavad seda kliendisegmentide avastamiseks või ebatavaliste tehingute märkamiseks; leitud rühmi peavad seejärel tõlgendama valdkonnaeksperdid.
