Osaliselt juhendatud õpe ühendab väikese hulga märgendatud andmeid suure hulga märgendamata andmetega. Mudel õpib kõigepealt vähestest teadaoleva vastusega näidetest ja kasutab seejärel ülejäänud andmete mustreid enda täiustamiseks – näiteks võttes kindlad ennustused täiendavate treeningnäidetena üle. See tasub end ära, kui märgendamine on kallis, näiteks meditsiiniliste piltide või tuhandete tugipöördumiste puhul.
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.
Andmete nappus tekib siis, kui TI-ülesande jaoks on liiga vähe sobivaid või märgendatud andmeid, et mudelit usaldusväärselt treenida või testida. See puudutab näiteks harvu tootmisvigu, väikeseid keeli või uusi tooteid, mille müügiajalugu puudub. Lahendusteks on siirdeõpe (transfer learning), sünteetilised andmed, andmete augmentatsioon või eeltreenitud keelemudelid, mis annavad kasulikke tulemusi juba paarist näitest.
Treeningandmed on näited, millest TI-mudel mustreid õpib: suured tekstikogud keelemudelite jaoks, märgendatud pildid pildimudelite jaoks. Nende kvaliteet, mitmekesisus ja värskus määravad suuresti, kui usaldusväärne ja õiglane mudel on ning kui ajakohased on selle teadmised. Organisatsioonide jaoks on oluline ka see, kas pakkuja kasutab nende sisestatud kliendiandmeid edasiseks treenimiseks.
