Likumsakarību atpazīšana ir automātiska regularitāšu, struktūru vai atkārtotu pazīmju noteikšana datos, piemēram, attēlos, skaņās, tekstos vai mērījumos. Sistēmas piešķir jaunus novērojumus zināmām kategorijām vai atklāj grupas bez iepriekš definētām etiķetēm. Pielietojumi ir sejas atpazīšana, rokraksta atpazīšana, kvalitātes kontrole ražošanā un neparastu darījumu atklāšana. Šī disciplīna ir svarīgs mašīnmācīšanās pamats.
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.
Attēlu atpazīšana ir datorredzes joma, kurā programmatūra nosaka, kas attēlā redzams – objekti, cilvēki, teksts, logotipi vai ainas. Tās pamatā parasti ir neironu tīkli, kas apmācīti ar lielu skaitu marķētu attēlu. Lietojumi ir no kvalitātes kontroles ražošanā un produktu fotoattēlu šķirošanas līdz medicīniskās attēldiagnostikas atbalstam. Attēlos ar cilvēkiem īpaša uzmanība jāpievērš datu aizsardzībai un iespējamai neobjektivitātei.
Klasifikators ir modelis vai metode, kas ievaddatus piešķir vienai no vairākām iepriekš noteiktām kategorijām. Klasiskus variantus, piemēram, lēmumu kokus vai naivo Beijesa metodi, apmāca uz marķētiem piemēriem; valodas modeļi tekstus var šķirot arī pēc kategoriju apraksta. Tipiski lietojumi ir surogātpasta atpazīšana, klientu pieprasījumu šķirošana pēc tēmas un kvīšu kategorizēšana. Kvalitāti mēra ar metrikām, piemēram, pareizību, precizitāti un pārklājumu.
Klasterizācija ir nepārraudzītas mācīšanās metode, kas sadala datu punktus grupās pēc to līdzības bez iepriekš noteiktām kategorijām. Tā atklāj modeļus, kurus neviens iepriekš nav nosaucis, – piemēram, klientu segmentus ar līdzīgu pirkšanas uzvedību. Tekstu gadījumā klasterizācija palīdz sakārtot simtiem klientu pieprasījumu tēmās, piemēram, piegāde, rēķini vai sūdzības, un parāda, kur ir uzsvars.
