Q-mācīšanās ir pamatmetode pastiprinātajā mācīšanā. Aģents mācās ar izmēģinājumu un kļūdu metodi, kādu ilgtermiņa vērtību („Q vērtību”) konkrētā situācijā dod konkrēta darbība, un ar laiku izvēlas daudzsološākās darbības. Tam nav vajadzīgs vides modelis. Apvienojumā ar neironu tīkliem (dziļā Q-mācīšanās) DeepMind sistēma ar šo pieeju iemācījās spēlēt daudzas Atari videospēles, izmantojot tikai ekrāna pikseļus.
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.
RLHF ir apmācības metode, kas valodas modeļus padara noderīgākus un drošākus. Cilvēki salīdzina un vērtē vairākas modeļa atbildes; šos vērtējumus izmanto, lai apmācītu atlīdzības modeli, kas ar pastiprināto mācīšanos tālāk apmāca pašu valodas modeli. Tā tas, piemēram, iemācās atbildēt skaidrāk vai noraidīt problemātiskus pieprasījumus. RLHF notiek pie modeļa pakalpojumu sniedzēja pirms modeļa izlaišanas — nevis pie atsevišķiem lietotājiem.
Montekarlo metodes ir skaitļošanas paņēmieni, kas izmanto ļoti lielu nejaušu izlašu skaitu, lai tuvinātu rezultātus, kurus analītiski ir grūti aprēķināt. Sistēmu simulē tūkstošiem reižu ar nejauši variētiem pieņēmumiem un analizē rezultātu sadalījumu. Organizācijas tās izmanto riska analīzei, projektu plānošanai vai portfeļa vērtēšanai. MI jomā šīs metodes cita starpā izmanto pastiprinātajā mācīšanā un koku meklēšanā spēlēs.
Mākslīgie neironu tīkli (ANN) ir skaitļošanas modeļi, kas sastāv no daudzām savienotām vienībām („neironiem”), kuras sakārtotas slāņos un apstrādā ievaddatus ar svērtiem savienojumiem. Apmācības laikā svari tiek soli pa solim pielāgoti ar piemēriem, parasti ar atpakaļizplatīšanos (backpropagation). ANN ir dziļās mācīšanās pamats, un uz tiem balstās attēlu atpazīšana, runas atpazīšana un lielie valodas modeļi. Neraugoties uz bioloģisko iedvesmu, tie darbojas daudz vienkāršāk nekā cilvēka smadzenes.
