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.
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.
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.
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.
