Mašīnmācīšanās ir mākslīgā intelekta nozare, kurā datori likumsakarības atvasina no datiem, nevis katrs noteikums tiek skaidri ieprogrammēts. Atkarībā no uzdevuma modeļi mācās no marķētiem piemēriem (ar uzraudzību), no nemarķētiem datiem (bez uzraudzības) vai ar atlīdzībām (pastiprinātā mācīšanās). Lietojumi ir no surogātpasta filtriem un pieprasījuma prognozēm līdz produktu ieteikumiem. Kvalitāte lielā mērā ir atkarīga no apmācības datu daudzuma un kvalitātes.
Dziļā mācīšanās ir mašīnmācīšanās nozare, kas izmanto mākslīgos neironu tīklus ar daudziem slāņiem. Šādi tīkli no lieliem datu apjomiem paši apgūst, kuras pazīmes ir svarīgas — no attēlu malām līdz nozīmes sakariem tekstos. Dziļā mācīšanās ir mūsdienu valodas modeļu, attēlu un runas atpazīšanas un mašīntulkošanas pamatā, un tai parasti nepieciešama ievērojama skaitļošanas jauda un daudz apmācības datu.
Uzraudzītajā mācīšanā modelis mācās no piemēriem, kuriem pareizā atbilde jau ir zināma, piemēram, e-pastiem, kas marķēti kā „surogātpasts” vai „nav surogātpasts”. No tiem tas atvasina noteikumus, lai klasificētu jaunus, neredzētus gadījumus vai prognozētu vērtības. Tipiski uzdevumi ir klasifikācija un regresija; lielākā daļa pūļu tiek veltīta tīri marķētu datu izveidei.
Neuzraudzītajā mācīšanā modelis saņem datus bez iepriekš definētām pareizajām atbildēm un pats meklē struktūras. Tipiskas metodes ir klasterizācija, kas grupē līdzīgus ierakstus, un dimensiju samazināšana, kas daudzas pazīmes sasaista dažās būtiskās. Organizācijas to izmanto, lai atklātu klientu segmentus vai pamanītu neparastus darījumus; atrastās grupas pēc tam jāinterpretē jomas ekspertiem.
Pastiprinātā mācīšanās ir mašīnmācīšanās nozare, kurā aģents mācās ar izmēģinājumu un kļūdu metodi. Tas darbojas vidē, saņem atlīdzību par labiem rezultātiem un sodus par sliktiem un tādā veidā izstrādā stratēģiju, kas maksimizē tā kopējo atlīdzību. Pazīstami piemēri ir programmas, kas apgūst galda spēles, piemēram, go, robotu vadība un valodas modeļu precizēšana, balstoties uz cilvēku vērtējumiem.
